cocoeval 解析

ytusdc

已于 2022-12-29 18:44:41 修改

阅读量3.6k

点赞数 6

分类专栏： Deep Learning 文章标签：人工智能

于 2022-11-16 00:45:05 首次发布

本文链接：https://blog.csdn.net/ytusdc/article/details/127876537

版权

Deep Learning 专栏收录该内容

33 篇文章 9 订阅

订阅专栏

1、COCO目标检测比赛中的模型评价指标介绍！_dulingwen的博客-CSDN博客

2、COCO目标检测测评指标 - 简书

1、Params类：

对于COCO格式的数据检测，我们主要分为不同的IoU阈值，不同的面积范围，单张图片的最大检测数量。在这些不同的参数下，会得到不同的AP与AR。
所以在这个类中，我们需要指定这些参数的数值范围，具体可看下面贴出的代码。

标准的即IoU阈值设置为从0.5-0.95 间隔0.05，一共10个阈值
AR的阈值为0-1 间隔0.01 ，一共101个阈值
面积范围为 small(0~32) medium(32~96) large(96~10**5) 一共 3个
检测最大数，按照置信度分数排序后选择最大检测数范围内的det结果。

2、COCOeval类：

COCOeval类是COCO api中最复杂的类了，主要包括以下函数

2.1 init(self, cocoGT=None, cocoDt=None, iouType='segm')

创建COCOeval这个类的时候，我们需要传入两个COCO 类别的instance，一个是gt对应的COCO，一个是det对应的COCO，用来初始化det的anno和gt的anno，关于COCO的类别，那么关于COCO类，可以参考：

MSCOCO api详解 —— Keypoints - 知乎

COCO API-COCO模块在det中的应用_张学渣的博客-CSDN博客

__init__ 函数中需要注意：

self.params = Params(iouType=iouType) # parameters

它用了一个外部类，将评估过程中重要的参数隐式的初始化在COCOeval内你敢信？并且这个self.params 在后面的操作里，有多次的反复赋值、修改的操作。因此我们在使用不同格式的keypoints时，这里是也是唯一我们需要重载COCOeval的成员方法。

2.2 _prepare(self):

设置GT中的ignore flag，初始化空evaluation结果之类的一些常规操作，主要是一下操作

载入gts和dts，这两个都是列表，每一个元素包含bbox，img_id，类别等信息。
如果存在ignore_id的话，将对应gt的’ignore’设置为TRUE
构建字典self._gts: [img_id, cat_id] 和 self._dts: [img_id, cat_id]，用[img_id,cat_id]作为key，第一个索引代表输入哪张图片，第二个索引代表哪个类别。value即为这个指定图片指定类别对应的所有ann信息，是一个list形式

self._gts = defaultdict(list)       # gt for evaluation
self._dts = defaultdict(list)       # dt for evaluation
for gt in gts:
	self._gts[gt['image_id'], gt['category_id']].append(gt)
for dt in dts:
	self._dts[dt['image_id'], dt['category_id']].append(dt)
self.evalImgs = defaultdict(list)   # per-image per-category evaluation results
self.eval     = {}                  # accumulated evaluation results

2.3 computeIoU(self, imgId, catId)：

根据image_id和cat_id计算这张图片里 cat_id 的所有GT、DT的iou矩阵，主要用于bbox和segmentation；

2.4 computeOks(self, imgId, catId)：

根据image_id和cat_id计算这张图片里所有GT、DT的Oks矩阵，也就是Sec 1.2.里OKS的计算源码出处。这里OKS矩阵的维度是

2.5 evaluateImg(self, imgId, catId, aRng, maxDet):

根据image_id和cat_id，以及evaluate函数计算得到的iou矩阵，计算在给定的area rang和maxDet下不同iouThreshold下成功的匹配/不成功的匹配矩阵。

1、对于gt框，首先在所有框中挑出imgId, catId的gt框和det框，并根据面积范围的限制设置该gt框是否应该ignore，并把满足面积范围的gt框排在前面，还设置了该gt框的iscrowd标签，

2、对于dt框，把score更高的det框也排在前面，

3、最后从self.ious中挑出imgId, catId的ious矩阵，注意这个最后的ious阵也是根据是否满足面积范围排序了（gt根据是否满足面积范围排序了）
4、self.ious是有n*c个key的字典，n代表图片总数，c代表数据的类别数，每个key所对应value是一个二维矩阵，每一列代表某个gt框与所有det框的交并比。这个字典是之前已经计算好的。

这个方法传入固定的img_id,cat_id,aRng,maxDet,我们可以得到对应的img在特定类别，特定面积阈值，特定最大检测数下的检测结果。

对于面积阈值来说，如果ann对应的bbox超过了aRng的范围就设置为ignore
对于最大检测数，按照置信度排序后取出前最大检测数个即可

把这个检测结果按照K，A，M的顺序堆叠，可以得到self.evalImgs这个list，这个list包含了所有图片在所有IoU阈值，面积阈值，最大检测数下的所有检测结果。

具体过程如下：

将gt和dt，按照imgId和catId取出。

gt = self._gts[imgId,catId]
dt = self._dts[imgId,catId]

将gt中area不在aRng内的_ignore标签设置为1，并将_ignore=0的排在前面。
将dt的score按照从大到小排列。
iou矩阵取出来。

gtind = np.argsort([g['_ignore'] for g in gt], kind='mergesort')
gt = [gt[i] for i in gtind]
dtind = np.argsort([-d['score'] for d in dt], kind='mergesort')
dt = [dt[i] for i in dtind[0:maxDet]]
iscrowd = [int(o['iscrowd']) for o in gt]
# load computed ious
ious = self.ious[imgId, catId][:, gtind] if len(self.ious[imgId, catId]) > 0 else self.ious[imgId, catId]

设置一些下标：T : 阈值，G：gt，D：dt
设置一些变量：gtm[T, G]：gt匹配的dt的id。dtm[T, D]：dt匹配的gt的id。
gtIg[G]：gt的_ignore标签，dtIg[T, D]：dt匹配的gt的_ignore标签。

进行匹配，在给定的阈值下，各阈值互不影响：

m代表dt匹配的最好的gt的索引下标
对每一个dt，寻找与之最为匹配的gt，

如果gt已经匹配上了，continue
如果dt已经匹配了一个没有ignore的gt，并且当前遍历到的gt被ignore（由于之前有排序，这意味着剩下的gt都是ignore的，不必再排序），break
如果iou小于已匹配值，continue
如果iou大于已匹配值，记录下当前 iou 和 m（匹配的id，当前是最匹配的）
简而言之，将每个dt匹配给和它最接近的gt。
收尾：将那些匹配上的dt（dtm==1）中在areaRng范围外的det设置为ignore

返回的重要数据包括：

预测框所匹配的真实框id、真实框所匹配的预测框id
判定真实框和预测框是否满足条件的数组
预测框的分数

然后我们就要开始介绍COCOeval的评估三板斧了

2.6 evaluate(self):

这里evaluate主要做了以下几件事：

一些边界检查，调用_prepare方法, 生成gt与dt的字典列表,根据这两个字典列表，我们可以生成iou计算，iou计算也以[img_id,cat_id]作为key，value是一个M*N维的ndarry iou矩阵，m为dt的个数，n为gt的个数。
根据我们初始化COCOeval类时提供的iouType判断是keypoints还是bbox/segmentation评估，选择不同的上面提到的IOU计算函数；
对每一张图片、每一个类别，分别计算它的iou矩阵；
计算iou矩阵后，利用上面的evaluateImg来计算每一张图片、每一个类别在不同条件下的检测结果；

这里有一个需要理解好的概念，就是det ignore，可以理解为可以忽略的检测，只有一个检测不是需要忽略的检测的时候，它才会被计入precision和recall。那么什么样的det是可以被ignore的呢：

超出area range并且没有对应的ground truth；
和一个可以被ignore的ground truth匹配了；

上图是coco中对两中比较特别的情况的判断方法。coco是将每一类当成二分类进行匹配的，其他类也算作background。即下面三条：

TP(True Positive): loU>0.5的检测框数量（同一Ground Truth只计算一次)
FP(False Positive): loU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量)
FN(False Negative):没有检测到的GT的数量

而在mmdet的计算混淆矩阵的方法中，并不是把每一类的gt和det拎出来再匹配，而且也没有去除重复的操作，即左边这种情况下，只要iou超过阈值，一个gt会和这两个det都匹配，导致最终的tp值大于了真实的gt数，如果gt和det类别不相同，也就增加了其他类的fp值。在右边的情况中也是没有去除重复，同样会增加两个tp，若类别不相同，那会增加其他类的fp。

2.6 accumulate(self, p = None)：

先看懂这篇文章，否者这个函数很难理解：cocoapi如何计算map_「已注销」的博客-CSDN博客_coco map计算

cocoEval.evaluate() 只是每幅图的det和gt做了匹配，并将结果存在了self.evalImgs中。计算tp等指标需要cocoEval.accumulate()。

上面我们通过evaluate得到了每一个图片、每一个类别在 iouThreshold、area range、maxDet下的结果，那么在这一步我们需要将它们在整个数据集上汇总结果了。
最终返回的是所有图片在不同IoU阈值、不同AR、不同类别、不同面积阈值、不同最大检测数下的Ap与AR，以numpy数组的返回，即precision(T,R,K,A,M) recall(T,K,A,M)。

有一个地方需要注意：

在算平均精度的一般情况下，如果总共有100个样本，我们数量1开始计算精度和召回率以计算平均精度AP，通常的规律是：随着样本数量的增加，精度慢慢下降，召回率慢慢提高。这个循环解决的是上述规律出现反常的情况。如：检测前50个样本的精度为0.6，检测前51个样本的精度为0.7，则将检测前50个样本的精度置为0.7，这样得出来的数组是个单调递减数组

为什么要这样？
参考：AP，mAP计算详解（代码全解） - 知乎
它的图像描述的很明白，主要还是方便平均精度的计算

作者在这里把我们前面提到的参数Params作为一个函数的输入，似乎本意是希望能够更方便的在更多维度上统计结果，但是偏偏前面的evaluate又是在默认的参数上进行的，确实有一种还未完全实现功能。

2.7 summarize(self)：

针对上述accumulate获得的precision、recall矩阵，在不同的维度上进行统计，然后再呈现结果。
函数内部会根据传入的具体的IoU阈值，面积阈值，最大检测数的值返回上述precision和recall中对应维的检测结果，我们就也可以自定义形式返回我们想要的各种参数下的AP与AR啦。
这里没有什么特别的需要注意的。我们常看到的mAP也就是出自于此。

1、COCO API-深入解析cocoeval在det中的应用_张学渣的博客-CSDN博客

2、MSCOCO api详解 —— Keypoints - 知乎

3、COCOAPI 评价指标解析及功能改进 - 知乎

4、COCOAPI评价指标解析及改进_SHY_VWind的博客-CSDN博客_coco api 指标计算

ytusdc

关注

6
点赞
踩
34

收藏

觉得还不错? 一键收藏
2
评论
cocoeval 解析

作者在这里把我们前面提到的参数Params作为一个函数的输入，似乎本意是希望能够更方便的在更多维度上统计结果，但是偏偏前面的evaluate又是在默认的参数上进行的，确实有一种还未完全实现功能。函数内部会根据传入的具体的IoU阈值，面积阈值，最大检测数的值返回上述precision和recall中对应维的检测结果，我们就也可以自定义形式返回我们想要的各种参数下的AP与AR啦。对于COCO格式的数据检测，我们主要分为不同的IoU阈值，不同的面积范围，单张图片的最大检测数量。这里没有什么特别的需要注意的。
复制链接

扫一扫