Python更改YOLOv5、v7、v8，实现调用val.py或者test.py后生成pr.csv，然后再整合绘制到一张图上（使用matplotlib绘制）

最新推荐文章于 2024-03-22 16:42:10 发布

githubcurry

最新推荐文章于 2024-03-22 16:42:10 发布

阅读量1.7k

点赞数 49

分类专栏：目标检测 yolo 文章标签： python YOLO matplotlib

本文链接：https://blog.csdn.net/weixin_45277161/article/details/134770091

版权

目标检测同时被 2 个专栏收录

28 篇文章 16 订阅

订阅专栏

yolo

14 篇文章 4 订阅

订阅专栏

1. 前提 + 效果图

不错的链接：YOLOV7训练模型分析
关于map的绘图、loss绘图，可参考：根据YOLOv5、v8、v7训练后生成的result文件用matplotlib进行绘图
v5、v8调用val.py，v7调用test.py（作用都是一样的，都是用已训练好权重对测试集进行验证，然后打印出一系列指标）

-实现效果：就是将运行val.py/test.py后生成的PR_curve.png中最粗的蓝线整合到同一张图中

在这里插入图片描述

同理，可以实现F1_curve.png绘图

在这里插入图片描述

2. 更改步骤

2.1 得到PR_curve.csv和F1_curve.csv

2.1.1 YOLOv7的更改

2.1.1.1 得到PR_curve.csv

在utils/metrics.py中，按住Ctrl+F搜索def plot_pr_curve定位过去，然后如图做更改：

在这里插入图片描述

# Plots ----------------------------------------------------------------------------------------------------------------

def plot_pr_curve(px, py, ap, save_dir='pr_curve.png', names=()):
    # Precision-recall curve
    fig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)
    py = np.stack(py, axis=1)

    # lwd edit: 将结果保存在csv中
    pr_dict = dict()    # lwd edit
    pr_dict['px'] = px.tolist() # lwd edit

    if 0 < len(names) < 21:  # display per-class legend if < 21 classes
        for i, y in enumerate(py.T):
            ax.plot(px, y, linewidth=1, label=f'{names[i]} {ap[i, 0]:.3f}')  # plot(recall, precision)
            pr_dict[names[i]] = y.tolist()  # lwd edit
    else:
        ax.plot(px, py, linewidth=1, color='grey')  # plot(recall, precision)

    ax.plot(px, py.mean(1), linewidth=3, color='blue', label='all classes %.3f mAP@0.5' % ap[:, 0].mean())

    # ------------------- lwd edit ---------------------- #
    pr_dict['all'] = py.mean(1).tolist()
    import pandas as pd
    dataformat = pd.DataFrame(pr_dict)
    save_csvpath = save_dir.cwd() / (str(save_dir).replace('.png', '.csv')) # 定义csv文件的保存位置
    dataformat.to_csv(save_csvpath, sep=',')
    # ---------------------------------------------------- #

    ax.set_xlabel('Recall')
    ax.set_ylabel('Precision')
    ax.set_xlim(0, 1)
    ax.set_ylim(0, 1)
    plt.legend(bbox_to_anchor=(1.04, 1), loc="upper left")
    fig.savefig(Path(save_dir), dpi=250)

生成的表格数据，共1000行数据：（PR、F1的表格长得差不多，就是数据内容不同，表头相同，行数相同）

在这里插入图片描述

2.2.1.2 得到F1_curve.csv

在utils/metrics.py中，按住Ctrl+F搜索def plot_mc_curve定位过去，然后如图做更改：

在这里插入图片描述

ps：因为在utils/metrics.py中的def ap_per_class中会 3 次调用plot_mc_curve，分别绘制F1_curve.png、P_curve.png、R_curve.png，而我只想在F1_curve.png的时候把F1值给提出来，所以我在下图代码中231处进行判断是否是在绘制F1_curve.png，不是的话运行之后就不会生成F1_curve.csv

def plot_mc_curve(px, py, save_dir='mc_curve.png', names=(), xlabel='Confidence', ylabel='Metric'):
    # Metric-confidence curve
    fig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)

    # -----------------lwd edit: 将结果保存在csv中--------------- #
    # 判断是不是绘制F1_curve曲线
    flag = False
    if str(save_dir).endswith('F1_curve.png'):
        flag = True
        pr_dict = dict()    # lwd edit
        pr_dict['px'] = px.tolist() # lwd edit
    # --------------------------------------------------------- #

    if 0 < len(names) < 21:  # display per-class legend if < 21 classes
        for i, y in enumerate(py):
            ax.plot(px, y, linewidth=1, label=f'{names[i]}')  # plot(confidence, metric)
            if flag:
                pr_dict[names[i]] = y.tolist()  # lwd edit
    else:
        ax.plot(px, py.T, linewidth=1, color='grey')  # plot(confidence, metric)

    y = py.mean(0)
    ax.plot(px, y, linewidth=3, color='blue', label=f'all classes {y.max():.2f} at {px[y.argmax()]:.3f}')

    # ------------------- lwd edit ---------------------- #
    if flag:
        pr_dict['all'] = y.tolist()
        import pandas as pd
        dataformat = pd.DataFrame(pr_dict)
        save_csvpath = save_dir.cwd() / (str(save_dir).replace('.png', '.csv')) # 定义csv文件的保存位置
        dataformat.to_csv(save_csvpath, sep=',')
    # ---------------------------------------------------- #

    ax.set_xlabel(xlabel)
    ax.set_ylabel(ylabel)
    ax.set_xlim(0, 1)
    ax.set_ylim(0, 1)
    plt.legend(bbox_to_anchor=(1.04, 1), loc="upper left")
    fig.savefig(Path(save_dir), dpi=250)

2.1.2 YOLOv5的更改（v6.1版本）

在utils/metrics.py中做与YOLOv7同样的更改

2.1.3 YOLOv8的更改（附训练、验证方式）
在ultralytics-main\ultralytics\yolo\utils\metrics.py中做与YOLOv7同样的更改

❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀

因为有同学说按照这方式，v8中没有生成csv文件，那可以采取一下我的验证方式，看看能不能生成csv文件

🍀强烈打call的博客：YoloV8的python启动
注意：下面设定的值是对ultralytics\yolo\cfg\default.yaml中相应参数进行的更改，例如data、imgsz、batch...，还有很多参数可以看文件里面的注释

1.以下是我参考博客并自行设定了一些值的val_test.py及运行结果

-验证测试集的时候，这几个值最好都这么设定：split='test', batch=1, conf=0.001, iou=0.5，因为split='test'表示对测试集test进行验证（默认是对验证集val进行验证），batch=1, conf=0.001, iou=0.5是目标检测中约定俗成的

# 参考博客：https://blog.csdn.net/ljlqwer/article/details/129175087
from ultralytics import YOLO

model = YOLO("/opt/data/private/user_LWD/train_result/yolov8s/yolov8s-best.pt")  # 权重地址

results = model.val(data="ultralytics/datasets/RDD.yaml", imgsz=640, split='test', batch=1, conf=0.001, iou=0.5, name='yolov8s-from-ultralytics-main-bs1', optimizer='Adam')  # 参数和训练用到的一样

在这里插入图片描述

2.暂存一下我训练设置的train_test.py

from ultralytics import YOLO
# 参考的链接：https://blog.csdn.net/ljlqwer/article/details/129175087
 
# 这里如果需要预权重就写你的权重文件地址，没有预权重写cfg地址，写一个就够了
# model = YOLO("yolov8n.pt")  
model = YOLO("ultralytics/models/v8/yolov8s.yaml")  
 
model.train(data="ultralytics/datasets/RDD.yaml", epochs=300, imgsz=640, batch=32, name='yolov8s-from-ultralytics-main', optimizer='Adam')

2.2 绘制PR曲线

按照2.1得到v7、v5、v8验证后的PR_curve.csv、F1_curve.csv后，在两个函数的csv_dict中指明相应的csv位置，即可运行得到整合图（可见博客最上面的效果图）

import matplotlib.pyplot as plt
import pandas as pd

# 绘制PR
def plot_PR():
    pr_csv_dict = {
        'YOLOv5m': r'F:\ChromeDown\yolov5-6.1-pruning-autodl\yolov5-6.1-pruning-autodl\runs\val\exp\PR_curve.csv',
        'YOLOv7': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp\PR_curve.csv',
        'YOLOv7-tiny': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp2\PR_curve.csv',
        'YOLOv8s': r'G:\pycharmprojects\ultralytics-main\runs\detect\yolov8s-from-ultralytics-main-bs111\PR_curve.csv',
    }

    # 绘制pr
    fig, ax = plt.subplots(1, 1, figsize=(8, 6), tight_layout=True)

    for modelname in pr_csv_dict:
        res_path = pr_csv_dict[modelname]
        x = pd.read_csv(res_path, usecols=[1]).values.ravel()
        data = pd.read_csv(res_path, usecols=[6]).values.ravel()
        ax.plot(x, data, label=modelname, linewidth='2')

    # 添加x轴和y轴标签
    ax.set_xlabel('Recall')
    ax.set_ylabel('Precision')
    ax.set_xlim(0, 1)
    ax.set_ylim(0, 1)
    plt.legend(bbox_to_anchor=(1.04, 1), loc='upper left')
    plt.grid()  # 显示网格线
    # 显示图像
    fig.savefig("pr.png", dpi=250)
    plt.show()

# 绘制F1
def plot_F1():
    f1_csv_dict = {
        'YOLOv5m': r'F:\ChromeDown\yolov5-6.1-pruning-autodl\yolov5-6.1-pruning-autodl\runs\val\exp\F1_curve.csv',
        'YOLOv7': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp5\F1_curve.csv',
        'YOLOv7-tiny': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp4\F1_curve.csv',
        'YOLOv8s': r'G:\pycharmprojects\ultralytics-main\runs\detect\yolov8s-from-ultralytics-main-bs111\F1_curve.csv'
    }

    fig, ax = plt.subplots(1, 1, figsize=(8, 6), tight_layout=True)

    for modelname in f1_csv_dict:
        res_path = f1_csv_dict[modelname]
        x = pd.read_csv(res_path, usecols=[1]).values.ravel()
        data = pd.read_csv(res_path, usecols=[6]).values.ravel()
        ax.plot(x, data, label=modelname, linewidth='2')

    # 添加x轴和y轴标签
    ax.set_xlabel('Confidence')
    ax.set_ylabel('F1')
    ax.set_xlim(0, 1)
    ax.set_ylim(0, 1)
    plt.legend(bbox_to_anchor=(1.04, 1), loc='upper left')
    plt.grid()  # 显示网格线
    # 显示图像
    fig.savefig("F1.png", dpi=250)
    plt.show()

if __name__ == '__main__':
    plot_PR()   # 绘制PR
    plot_F1()   # 绘制F1

githubcurry

关注

49
点赞
踩
22

收藏

觉得还不错? 一键收藏
打赏
0
评论
Python更改YOLOv5、v7、v8，实现调用val.py或者test.py后生成pr.csv，然后再整合绘制到一张图上（使用matplotlib绘制）

v5、v8调用val.py，v7调用test.py（作用都是一样的，都是用已训练好权重对测试集进行验证，然后打印出一系列指标）-实现效果：就是将运行后生成的中最粗的蓝线整合到同一张图中同理，可以实现绘图。
复制链接

扫一扫