mmdetection的3.x版本测试每一类class的map

已于 2024-01-03 09:15:24 修改
阅读量1.1k 收藏 16
点赞数 8
文章标签： 计算机视觉
于 2024-01-02 11:59:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_58526694/article/details/135337290
版权

 首先在mmdet文件夹中的evaluation文件夹中找到metrics文件夹，再找到里面的coco_metric.py文件，修改文件中的classwise:bool = False为True，如下图橙色光标高亮所示

然后使用下面的代码运行来测试，记得修改成自己的py路径和pth，最后的数字1表示使用1个GPU

运行。

./tools/dist_test.sh run_workstation/mask-rcnn_r101_fpn_1x_coco.py run_workstation/epoch_360.pth 1

预测的结果如下图，有每一类的map，我的是4类，分别是0123四个罗马数字表示。Mask—RCNN有两个指标，分别是bbox和segment，代表预测框和分割。

最后解释一下此行代码。tools/dist_test.sh是支持多节点测试，不过需要依赖 PyTorch 的 启动工具 。更多详细内容请了解mmdetection官网上的内容，重点是模型测试部分https://mmdetection.readthedocs.io/zh-cn/latest/user_guides/test.html

不大的王子
关注
怎么看mmdetection版本_mmdetection使用指南
weixin_42105570的博客
01-13 2747
主要是目标检测方面的使用记录，mmdetection还有分类网络，分割等功能，但这篇博客主要关注目标检测，之后如果涉及到分割会再开一篇博客进行记录。1. 安装mmdetection需要的环境是cuda10.0为基础的环境，对驱动版本也有一定的要求，cuda8.0的我始终没有配通，主要的错误都是跟cuda相关的。具体安装过程参见：https://blog.csdn.net/DD_PP_JJ/arti...
mmdetection源码笔记（五）：测试之test.py的解读
Activewaste
08-22 9860
引言 在test阶段有以下几个方法： single_gpu_test()：顾名思义，就是单GPU测试，该方法在main()中调用，当不分布式测试的时候，则运行次测试方法，该方法的实现中，其实是调用了检测器测试过程的forward()前向计算过程，以cascade_rcnn为例，在cascade_rcnn的父类中的forward()方法中，通过判断test_mode当前处于训练还是测试阶段，来调用...
MMdection3.3.0多类目标训练查看单类准确率（AP）
最新发布
m0_46448946的博客
07-23 348
MMdection3.3.0多类目标训练查看单类准确率（AP）
【MMDetection系列】MMDetection3.x版本多类目标训练查看每个类别的mAP结果（coco格式数据集）
Fate_serendipity的博客
04-25 1118
MMDetection3.x 查看每个类别mAP
mmdetection2.11.0 模型测试评估及计算各个类别的map
知北行的博客
05-19 1万+
1. 计算各个类别的map 1.1 方法1: 直接计算, 仅支持voc 数据集与 custom 数据集 使用如下命令直接计算各个分类的map , 使用的图片为 config 配置中test中的数据集评估 python tools/test.py work_dirs/faster_rcnn_r50_fpn_1x_coco.py work_dirs/latest.pth --eval mAP # 参数说明 - work_dir/faster_rcnn_r50_fpn_1x_coco.py: 模型配置文件 -
MMDetection评价标准mAP,Precision,Recall,FPS,FLOPs
珺毅同学的博客
03-19 4046
利用MMDetection已训练出来的权重，分析目标检测各项重要评价指标，mAP，Precision，Recall，FPS，FLOPs
MMdetection绘制mAP-自用
q7672345的博客
01-10 744
编写的自用mAP绘图代码 可供大家参考,禁止转载
mmdetection2.0中利用visdom绘制mAP动态图
MoL的博客
07-20 2002
Vidsom是Facebook专门为PyTorch开发的一款可视化工具 ，可以直接对Tensor进行操作。能够胜任大部分的数据可视化任务。关于visdom的详细介绍请参考PyTorch的远程可视化神器visdom 在mmdetection中想要完成动态可视化过程，需要用到Hook。关于Hook，其实就是在不改变网络输入输出的结构的前提下，方便地获取、改变网络中间层变量的值和梯度。更详细的资料请参考半小时学会 PyTorch Hook 下面是在mmdetection中利用visdom绘制mAP动态图的方法步骤
mmdet 3.x 打印各类指标
ZZZZ_Y_的博客
11-18 594
mmdet 3.x 打印各类指标
mmdetection源码笔记（三）：创建数据集模型之datasets/coco.py的解读（上）
Activewaste
08-20 5273
引言 同样，数据集也是需要build模型的。类CocoDataset是CustomDataset类的子类，而CustomDataset是Dataset的子类。(之前的创建模型，都是torch.nn.module的子类，数据集的创建就不是咯，注意一下) 以下是CustomDataset的annotation的格式： Custom dataset for detection: Annotat...
mmdetection 模型评测指标
03-02
1. mmdet 默认使用的是coco格式的数据集，算法训练模型也是使用的coco格式训练数据； 2. 评测指标同样使用COCO数据集的评测指标，指标如下： 3. 算法评测参数： bbox  —— 目标检测框 segm —— 目标分割结果 4.  模型的判断标准有AP（平均精确率） 和AR（平均召回率） 两大类，在机械臂项目中，主要依据AP 来进行评测。 MAP  ——   mean Average Precision, 即各类别AP的平均值 AP50  ——  IOU 阈值设置成0.5时的AP值，也可协作mAP.5 mAP.5:.95 ——  mAP@[.5:.95](mAP@[.5,.95]) 表示在阈值区间 [0.5, 0.95]，步长为0.5的平均mAP 。IoU thresholds, from 0.5 to 0.95, step 0.05 (0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.9
【MMDetection3D实战5】Dataset 和 model配置文件解析
@bangbang的博客
03-16 1268
在定义了如下几个全局变量: 因为是kitti数据集，所以默认为。也可以是其他数据集，比如 LyftDatasetNuScenesDataset, 也可以是自定义的数据集类型。data_root：定义数据存放的跟目录，比如: 数据的类别名，比如KITTI数据集的类型为：[‘Pedestrian’, ‘Cyclist’, ‘Car’]: 点云覆盖的有效范围，用于过滤点云数据。input_modality: 设定使用的数据对应的模态信息。对于。
MMDetection 入门 | 二
TensorFlowNews
04-21 2556
作者|open-mmlab 编译|Flin 来源|Github 入门 本页提供有关MMDetection用法的基本教程。 有关安装说明,请参阅上一篇的安装文档 。 预训练模型的推论 我们提供测试脚本来评估整个数据集(COCO,PASCAL VOC等)以及一些高级api,以便更轻松地集成到其他项目。 测试数据集 [x]单个GPU测试 [x]多个GPU测试 [x]可视化检测结果 你可以使用以下命令...
mmdetection多类目标训练查看单类准确率（AP）以及使用模型测试看结果（show）
qq_44442727的博客
07-23 1万+
本文主要是个人笔记，以后便于查询，也供借鉴。通常我们在mmdetection平台上就训练一类目标，训练过程中每跑完一个epoch就可以查看到该目标的0.5，0.75等阈值下的准确率，还有一个整体的mAP。但是，当你跑多类目标时，多个目标一起训练怎么看单类的准确率？mmdetection默认的设置是多类目标一起训练时，打印整体的准确率，如果要在训练和测试的时候查看单类的准确率，可以如下操作（以下操作的前提是已经训练起来了，相关多类训练的多类配置文件修改好了）： 在mmdetection/mmdet/datas
mmdetection训练自己的数据并评估mAP
热门推荐
洪流之源
06-24 3万+
用mmdetection做目标检测的训练还是比较简单的，但是目前代码尚不稳定，其中也有很多的坑，下面简单讲解一下如何用mmdetetection在VOC的数据集上进行模型的训练，算是对mmdetection的简单入门。 1. 制作VOC数据集 mmdetection支持VOC和COCO标注格式的数据集，本次我们使用VOC2007格式数据集，我这里数据集已经制作好了，目录如下： ├── D...
MMaction-slowfast训练过程遇到mAP，AP值一直为0的情况，已解决
Kane_777的博客
11-30 1407
解决slowfast训练过程中mAP，AP值一直为0的情况
mmdet 修改类别和数据集
qq_42948594的博客
05-04 2622
mmdet 修改类别和数据集 下面的内容以faster_rcnn_r50_fpn_1x_coco.py为例 修改数据集 由于我用到的数据集格式是voc，但默认的是coco格式，现在配置文件中修改数据集。 在configs/_base_/datasets/voc0712.py文件中，修改数据集路径和voc07或者voc12。我这里只有voc2007的数据集。 修改类别 config 文件中，修改 num_classes=数据集中的类别数。 在mmdet/datasets/voc.py和mm
【代码】mmdetection中的mmdet.datasets
FSALICEALEX的博客
08-15 6402
1.collate 1.collate 用来拼接batch中的数据。与标准的pytorch中的default_collate不同，这里的collate返回的是一个列表，每个列表中的元素是一个minibatch，应该是为了用于多个gpu，每个gpu上运行一个minibatch。 collate支持对于DataContainer数据类型的操作， 对于meta data，直接拼成minibatch，返回...
用商汤的mmdetection 学习目标检测中的 Recalls, Precisions, AP, mAP 算法 Part1
史蒂夫方
08-20 9622
学习目标检测一定少不了的评测方式， 就是透过recalls, precisions, 来计算出类别的AP， 以及最后所有AP的平均值 mAP（mean Average Precision) 也就是我们最关心的数值 这边先简单的了解一下confusion matrix， 也就是所谓的混肴矩阵， 我个人不觉得这是一个很好的翻译， 最好记得英文就行， 在分类任务中这是一个非常重要的评测指标 下图是一个基...
mmdetection v2.25.3
08-22
mmdetection v2.25.3是一个开源的目标检测工具包，用于进行物体检测任务。根据引用，安装mmdetection v2.25.3需要满足以下条件：torch版本为1.3，并且cuda版本为10.0或者高于10.0的版本。如果使用cuda为9.0的版本，则需要降低torch的版本。具体安装步骤可以参考官方网站提供的说明。首先，可以使用以下命令克隆mmdetection资源库： git clone https://github.com/open-mmlab/mmdetection.git 然后进入mmdetection目录： cd mmdetection 根据引用，如果是手动安装，还需要在mmdetection目录下通过命令下载checkpoint文件： mkdir checkpoints cd checkpoints wget http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth 下载完成后，您就可以开始使用mmdetection v2.25.3进行目标检测任务了。 请注意，根据引用，在进行任何改动之前，建议使用命令"pip install -e ."将mmdetection安装到anaconda3的库中，以确保每次对代码的修改都能生效。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [【干货】：配置环境anaconda3并安装最新版mmdetection](https://blog.csdn.net/qq_41375609/article/details/106512843)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [MMDetection的安装及验证](https://blog.csdn.net/qq_46311811/article/details/123767250)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值