【mmdetecion】mmdetection多类目标训练查看单类准确率（AP）

最新推荐文章于 2024-06-17 19:37:55 发布
最新推荐文章于 2024-06-17 19:37:55 发布
阅读量2.7k 收藏 22
点赞数 2
分类专栏： # mmdetection 文章标签： 深度学习 python pytorch
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/wxd1233/article/details/122989872
版权

在使用mmdetecion测试的时候我们可能想得到下面的结果，其实很简单，在test.py 后面加--options "classwise=True" 即可。

例如

python tools/test.py ./configs/cascade_rcnn/cascade_rcnn_r101_fpn_1x_coco.py ./work_dirs/cascade_rcnn_r101_fpn_1x_coco/epoch_12.pth  --out ./result/result.pkl --eval bbox --options "classwise=True"

在这里插入图片描述

gorgeous(๑>؂<๑）
关注
  • 2
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
mmdetection中在cocoapi打印每个类别指标
funky_Lelle的博客
11-18 2128
mmdetection中在cocoapi打印每个类别指标
MMdetection2测试voc数据获取precision
m0_61102347的博客
01-04 1871
在使用mmdetection时，测试voc数据集无法得到精度指标，只有recall和mAP，这里可以通过修改几行代码来获得precision指标 修改后打印结果： 代码修改 修改mmdet/core/evaluation/mean_ap.py文件里的print_map_summary函数的5处代码，你可以直接复制这个函数，然后替换掉原来的函数。修改后的函数为： def print_map_summary(mean_ap, results,
【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
04-25 826
MMDetection3.x 查看每个类别mAP
MMdetection测试和评估模型（各种命令）
weixin_53297048的博客
06-06 851
打开文件的属性，关闭“只读”（关闭前记得先关闭pycharm，否则下次打开还是“只读”）（3）文件目录的权限没有打开。（2）文件处在打开状态。（1）文件目录写错了。
mmdetection 目标检测测试时打印各类别准确率（AP），打印iou为0.5时各类AP
ZZZZ_Y_的博客
10-21 1326
mmdetection 目标检测测试时打印各类别准确率（AP），打印iou为0.5时各类AP
MMDetection评价标准Precision,Recall
最新发布
2302_78112970的博客
06-17 1198
python tools/test.py '模型配置文件的路径，在config文件夹中的对应的模型的py文件' '训练好的权重路径，.pth文件的路径' '.pkl文件保存路径，例：results/faster-rcnn/faster-rcnn.pkl'这里的precision和recall跟yolo中的一样，都是根据绘制的混淆矩阵进行计算求得的。首先使用我们训练好的模型进行测试并生成.pkl文件，这个文件是关键，通过运行以下命令（修改引号中对应的三个参数，运行时不带引号），运行后找到生成的pkl文件。
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）
热门推荐
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
多标签图像检测求精确率，召回率，AP，mAP
不积跬步无以至千里
01-17 3144
首先我有一个文件夹，里面包含两百多张已经用labelImg标注好的图片，每个图片对应一个xml文件。这些图片中可能会包含五种标签。 现需要利用mmdetection计算每种标签的精确率(precision)，召回率(recall)，AP，和这个模型的mAP。并且将检测结果写成xml，且该xml可被labelimg识别。 网上大多讨论的是二分类的做法，当下的问题相当于五类，说一下我的思路。 对...
mmdetection-coco-实现单个图像的Recall和Precision计算(Recall是想找出漏检了哪些badcase,Precision是误检了哪些)
baidu_40840693的博客
01-13 6372
目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP） https://www.cnblogs.com/geoffreygao/p/14095701.html 目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP） https://blog.csdn.net/xinyanh/article/details/102733730 mmdetection_inference.py temp_b
Mmcation2中使用mmdetection中的yolo、faster-rcnn、detr训练VOC数据集
weixin_42754274的博客
12-08 1228
Mmcation2中使用mmdetection中的yolo、faster-rcnn、detr训练VOC数据集
使用mmdetection训练目标检测算法-支持fasterrcnn+retinanet等算法-项目源码
04-28
**mmdetection训练详解** **一、mmdetection简介** mmdetection是阿里云M6团队开源的一个基于PyTorch的、全面且可扩展的目标检测框架。它集成了多种先进的目标检测算法，如Faster R-CNN、Mask R-CNN、RetinaNet等...
目标检测+深度学习+mmdetection+框架源码
02-08
此外，MMDetection框架还支持多GPU训练和分布式训练，极大地提升了训练效率。 **MMDetection的核心特性** 1. **模块化设计**：MMDetection的每个组件，如backbone（基础网络）、neck（连接特征层）、head（检测头...
MMDetection实战：MMDetection训练与测试
05-09
MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块，通过模块调用的方式，我们能够以很少的...
mmdetection2.8_inference.zip
01-14
总的来说，"mmdetection2.8_inference.zip"是一个完整的mmdetection目标检测实例，涵盖了从预训练模型到实际应用的全过程。通过学习和实践，开发者可以深入了解目标检测的技术细节，同时也为自己的项目提供了一套...
mmdetection训练SOLOv2修改过的源码
03-19
总的来说，使用mmdetection训练修改过的SOLOv2模型需要深入理解目标检测的基本原理，熟悉mmdetection框架，以及具备一定的编程技能。通过这个过程，不仅可以掌握SOLOv2的实现细节，还能提高对深度学习模型训练和优化...
mmdetection3改进cocoapi评估指标
记录些个人学习过程的代码实现以及解决方案
02-02 1807
在训练自己的模型时，正常情况下只能打印评估指标，形式如下开启打印每一类的评估数据时，仅仅只能打印mAP的值修改后如下可以打印真实的平均准确率(Precision)、召回率(Recall)、mAP注:下图的mAP_50_95即是上图的mAP值实验环境 修改步骤 项目最终目录1.粘贴工具包中的至下，其代码如下，新建将下面代码粘贴即可 2.新建自己的，命名为,路径: 3.修改路径下的，主要是修改导包处改为修改后代码如下 4.修改文件 5.中开启测试打印 完整效果 运行时输出如下
mmdetection 测试时获取precision指标
freshman_qaq的博客
03-14 5377
运行tool/test.py时，会调用mmdet/datasets/voc.py中的evaluate()函数计算AP值，而evaluate()又是调用mmdet/core/evalution/mean_ap.py中的eval_map()函数获取AP值。其实这个函数eval_map()也可以得到Recall和Precision，只是mmdetection的代码中没有这样处理。 先看一下eval_map()返回的内容： mean_ap就是MAP值，另一个eval_results是一个存储字典的列表，存.
mmdetection 训练时不显示loss日志
机器视觉爱好者的博客
07-31 4502
直接上图： 看日志文件，只输出到开始训练，显示最大epochs,后面的loss一直没有输出。但实际上训练已经完结。 重点来了： 原因：数据集太小，日志输出的epoch间隔太大，导致没有输出。 解决方案：修改自己的配置文件，将log_config中interval从50调整到5. 结果： ...
玩转MMDetection-MMDetection v2 目标检测模型有用工具的使用（五）
左右-HPU
07-14 319
测试通用命令。
mmdetection训练学习率
08-12
在mmdetection中，有两种设置学习率的方法。第一种方法是在训练命令后面添加参数--auto-scale-lr。这种方法会根据训练的规模自动调整学习率。第二种方法则是根据使用的GPU数量和每个GPU的图像数量来设置学习率。具体地，当使用8个GPU且每个GPU处理2个图像时，学习率为0.02；当使用4个GPU且每个GPU处理2个图像时，学习率为0.01；当使用2个GPU且每个GPU处理2个图像时，学习率为0.005；当使用1个GPU且每个GPU处理2个图像时，学习率为0.0025。 在训练过程中，还可以通过train.py的参数来调整学习率。例如，--work-dir参数用于指定训练保存模型和日志的路径，--resume-from参数用于从预训练模型checkpoint中恢复训练，--no-validate参数用于在训练期间不评估checkpoint，--gpus参数用于指定训练使用的GPU数量，--gpu-ids参数用于指定使用哪一块GPU，--seed参数用于设置随机种子，--deterministic参数用于是否为CUDNN后端设置确定性选项，--options参数用于指定其他参数的字典，--launcher参数用于指定作业启动器，--local_rank参数用于指定LOCAL_RANK，--autoscale-lr参数用于根据测试数量自动缩放学习率。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [MMDetection实战：MMDetection训练与测试](https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124647370)[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^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* [【mmdetection】mmdetection学习率设置](https://blog.csdn.net/wxd1233/article/details/123128276)[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^v92^chatsearchT0_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

打赏作者

gorgeous(๑>؂<๑）

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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