关于YOLOv3对VOC类型数据集的mAP计算与PR曲线的绘制
windows和linux均适⽤
前⾔
本⽂所做的⼯作均建⽴在已经已经⽤darknet训练好⾃⼰的模型的基础上的，不提供与YOLO训练有关的东西（因为别⼈已经发够多了）。尽量写得傻⽠⼀些，保持⼀步⼀次截图，因为能看这种博客的基本都没啥程序员基础的，连脚本都没听说的菜鸟，只是单纯跑跑发个⽔⽂的，所以多图和啰嗦警告，（图中有些路径打上马赛克了，没有影响）。
1 运⾏darknet官⽅代码中的detector valid指令，⽣成对测试集的检测结果。
.\darknet detector valid <voc.data⽂件路径> <cfg⽂件路径> <weights⽂件路径> -out ""
上⾯写的通⽤格式（请不要直接复制粘贴运⾏，将<>⾥的内容替换为⾃⼰需要的路径，其中"<>"不需要，只是⽤来分隔的！还有windows和linux下⽂件路径的格式不同，并且每个参数之间都需要空格间隔）。（windows通过打开cmd或者power shell来输⼊指令，linux通过ctrl+shift+t打开终端来输⼊指令，要记住输⼊指令时你需要通过cd来定位到当前需要运⾏程序的⽬录⾥）
voc.data和cfg⽂件就是你当时训练⽤的配置⽂件，weights⽂件就是你训练出来的结果，其中需要修改的是voc.data⽂件，其中应该是有五⾏的，其中第三⾏是valid就是需要验证测试集的路径，其指向的txt⽂件格式与第⼆⾏train⼀致（已经训练过的应该知道是啥了），这⾥需要修改成你需要的，画风如下。
执⾏完之后应该会在程序的当前⽬录⽣产⼀个results⽂件夹，⾥⾯存有检测结果，⽂件名为comp4_det_test_<；你检测的类名>.txt，画风如下所⽰。
左边是执⾏valid指令的过程，右边是⽣产的txt⽂件，其中txt中数据格式为: ⽂件名 置信度 x y w h。
2 下载检测⽤脚本⽂件 reval_voc_py.py和voc_eval_py.py
（因为没在CSDN⾥⾯到添加附件的功能，所以这⾥只能放个传送门了，⽽且需求积分最低都要1分，所以我也不能改成0分免费给你们。）
windows下python安装请百度，anaconda就可以了；linux默认就有安装的，不过是默认的Python2版本的。
如果遇到缺少库的，请打开⼀下python⽂件，看看开头那⾥有哪些，⼀般不会少的，都是些基本的库。
3 使⽤reval_voc_py.py计算出mAP值并且⽣成pkl⽂件
python reval_voc_py3.py --voc_dir <voc⽂件路径> --year <；年份> --image_set <；验证集⽂件名> --classes <；类名⽂件路径> <；输出⽂件夹名>
先将第⼀部⽣成的results⽂件夹移动到当前脚本⽂件所在的位置，然后执⾏上述指令。
⾸先python表⽰运⾏python代码
reval_voc_py3.py表⽰当前运⾏的脚本⽂件名，python3的话就⽤这个，python2的话⽤reval_voc.py。
voc⽂件路径就是当时训练⽤的VOC数据集的路径，⽐如windows下 d:\darknet\scripts\VOCdevkit，linux就是
\home\xxx\darknet\scripts\VOCdevkit，这⾥只是打个⽐⽅，读者请替换成⾃⼰需要的路径
年份就是VOC数据集⾥VOC⽂件名⾥的时间，⽐如2007、2012这样的。
验证集⽂件名⼀般是VOCdevkit\VOC2017\ImageSets\Main中的⽂件中txt⽂件名，⽐如，把需要测试的图⽚名全部塞进去就可以了，如果没有的话⾃⾏创建（不过没有的话怎么训练的呢）。注意：这⾥只需要填⽂件名，txt后缀都不需要的。
类名⽂件路径就是voc.names⽂件的路径，在voc.data⽂件⾥⾯是有的，第4⾏names那⾥。
输出⽂件夹名就⾃⼰随便写了，⽐如我这⾥写的testForCsdn。
参数全部替换好就可以跑了，⼤概画风如下所⽰：
这时会在脚本当前⽬录⽣成⼀个存放了pkl⽂件的⽂件夹，名字就是刚才输⼊的输出⽂件夹名。（这⾥的名字不需要和我的⼀样，如果你有多个类的话，就会⽣成多个⽂件，⽂件名就是你的类名）
注意，这时已经能看到mAP值了。（我这⾥的验证集较⼩，⽬标较简单，所以mAP⼤了些，不⽤在意）
4 ⽤matplotlib绘制PR曲线
在得到pkl⽂件⽬录⾥直接创建⼀个python⽂件，⽐如PR_draw.py，内容如下，记得把第三⾏⾥的参数修改⼀下。
import _pickle as cPickle
import matplotlib.pyplot as plt
fr = open('apple_pr.pkl','rb')#这⾥open中第⼀个参数需要修改成⾃⼰⽣产的pkl⽂件
inf = cPickle.load(fr)
fr.close()
x=inf['rec']
y=inf['prec']
plt.figure()
eval是做什么的plt.xlabel('recall')
plt.ylabel('precision')
plt.title('PR cruve')
plt.plot(x,y)
plt.show()
print('AP：',inf['ap'])
然后直接运⾏
python PR_draw.py
最后结果就出来了，当当当当，画风如下所⽰：
Ps：⽬前就写这么多了，应该没啥问题，⾃我感觉已经够傻⽠了，有问题请私信我再修改。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。