目前绝大多数目标检测算法都使用coco数据集进行模型评估。那么如何验证sota模型的是否达到paper给出的AP,或者自己的数据増广策略、训练调参等是否能提升模型的AP?cocoapi提供了接口!
下面给出使用python调用cocoapi流程和实例:
- 首先切换到 PythonAPI路径下,然后make
- 在PythonAPI路径下新建脚本文件:evaluate.py
脚本代码:
# -*- coding:utf-8 -*-
from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOeval
import numpy as np
import skimage.io as io
import pylab,json
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument("-g", "--gt", type=str, help="Assign the groud true path.", default=None)
parser.add_argument("-d", "--dt", type=str, help="Assign the detection result path.", default=None)
args = parser.parse_args()
cocoGt = COCO(args.gt)
cocoDt = cocoGt.loadRes(args.dt)
cocoEval = COCOeval(cocoGt, cocoDt, "bbox")
cocoEval.evaluate()
cocoEval.accumulate()
cocoEval.summarize()
脚本跑完后,会打印出汇总结果,如下图:
上图是使用416尺寸对yolov3预训练模型的验证结果。
脚本输入参数:
- –gt: coco数据集annotations路径下instances_val2014.json文件的path
- –dt: 预测模型结果文件路径(json文件)
需要注意的是预测结果格式:1个由单个bbox信息字典组成的list:
[{“bbox”: [225.7, 207.6, 128.7, 140.2], “score”: 0.999, “image_id”: 581929, “category_id”: 17}, {“bbox”: [231.1, 110.6, 33.5, 36.7], “score”: 0.992, “image_id”: 581929, “category_id”: 17},…]