说明：
本例程使用YOLOv3进行昆虫检测。例程分为数据处理、模型设计、损失函数、训练模型、模型预测和测试模型六个部分。本篇为第六部分，保存非极大值抑制输出的结果到预测结果文件，然后通过完整插值方法计算mAP。非极大值阈值的预测得分需要设置一个低的得分，使得计算mAP时能比较更多的平均精度。
实验代码：
测试模型：
import json import paddle.fluid as fluid from paddle.fluid.dygraph.base import to_variable from source.data import multip_test_reader from source.model import YOLOv3 from source.infer import get_nms_infer from source.test import test num_classes = 7 # 类别数量 anchor_size = [10, 13, 16, 30, 33, 23, 30, 61, 62, 45, 59, 119, 116, 90, 156, 198, 373, 326] # 锚框大小 anchor_mask = [[6, 7, 8], [3, 4, 5], [0, 1, 2]] # 锚框掩码 downsample_ratio = 32 # 下采样率 test_path = './dataset/val/images' # 测试目录路径 json_path = './output/infer.json' # 结果保存路径 xmls_path='./dataset/val/annotations/xmls' # 标签目录路径 model_path = './output/darknet53-yolov3' # 网络权重路径 sco_threshold = 0.01 # 预测得分阈值：设置一个小值，使得测试能够比较更多的准确率 nms_threshold = 0.45 # 非极大值阈值：消除重叠大于该阈值的的预测边框 iou_threshold = 0.50 # 测试交并比值：保留与真实边框大于该阈值的预测边框 with fluid.dygraph.guard(): # 准备数据 test_reader = multip_test_reader(test_path, batch_size=8, scale_size=(608, 608)) # 加载模型 model = YOLOv3(num_classes=num_classes, anchor_mask=anchor_mask) # 加载模型 model_dict, _ = fluid.load_dygraph(model_path) # 加载权重 model.load_dict(model_dict) # 设置权重 model.eval() # 设置验证 # 模型预测 infer_list = [] # 预测结果列表 for test_data in test_reader(): # 读取图像 image_name, image, image_size = test_data # 读取数据 image = to_variable(image) # 转换格式 image_size = to_variable(image_size) # 转换格式 # 前向传播 infer = model(image) # 获取结果 infer = get_nms_infer(infer, image_size, num_classes, anchor_size, anchor_mask, downsample_ratio, sco_threshold, nms_threshold) # 添加列表 for i in range(len(infer)): # 遍历批次 if(len(infer[i]) > 0): # 是否存在物体 infer_list.append([image_name[i], infer[i].tolist()]) print('Processed {} images...'.format(len(infer_list)), end=' ') # 保存结果 print('Svae {} results to infer.json.'.format(len(infer_list))) json.dump(infer_list, open(json_path, 'w')) # 测试模型 test(json_path, xmls_path, num_classes, iou_threshold)
结果：
Svae 245 results to infer.json
Detection mAP(0.50) = 87.63%
测试结果
darknet53-yolov3_050 Detection mAP(0.50) = 64.87%
darknet53-yolov3_100 Detection mAP(0.50) = 81.02%
darknet53-yolov3_150 Detection mAP(0.50) = 87.63%
test.py文件
import os import json import math import numpy as np import xml.etree.ElementTree as ET # 计算平均精度 class DetectionMAP(object): def __init__(self, num_classes, iou_threshold=0.5): """ 功能: 初始化计算平均精度方法 输入: num_classes - 预测类别数量 iou_threshold - 测试交并比值 输出: """ self.num_classes = num_classes # 预测类别数量 self.iou_threshold = iou_threshold # 测试交并比值 self.count = [0] * self.num_classes # 数量统计列表 self.score = [[] for _ in range(self.num_classes)] # 得分统计列表 def update(self, infer, gtbox, gtcls): """ 功能: 统计各类数量和得分 输入: infer - 预测结果 gtbox - 物体边框 gtcls - 物体类别 输出: """ # 统计各类数量 for gtcls_item in gtcls: self.count[int(np.array(gtcls_item))] += 1 # 统计各类得分 visited = [False] * len(gtcls) # 各类访问标识 for infer_item in infer: # 获取预测数据 pdcls, pdsco, xmin, ymin, xmax, ymax = infer_item.tolist() # 获取预测数据 pdbox = [xmin, ymin, xmax, ymax] # 获取预测边框 # 计算最大边框 max_index = -1 # 最大交并索引 max_iou = -1.0 # 最大交并比值 for i, gtcls_item in enumerate(gtcls): # 遍历真实类别列表 if int(gtcls_item) == int(pdcls): # 如果真实类别等于预测类别，则计算交并比值 iou = self.get_box_iou_xyxy(pdbox, gtbox[i]) if iou > max_iou: # 如果交并比值大于最大交并比值，则更新最大交并比值和索引 max_index = i max_iou = iou # 统计各类得分 if max_iou > self.iou_threshold: # 如果最大交并比值大于测试交并比值 if not visited[max_index]: # 如果该物体没有被统计，则添加到列表，并设置访问标识 self.score[int(pdcls)].append([pdsco, 1.0]) # 添加各类正确正例 visited[max_index] = True # 设置访问标识为真 else: # 如果该物体已经被统计，则添加到列表，并设置为成错误正例 self.score[int(pdcls)].append([pdsco, 0.0]) # 添加各类错误正例 else: # 如果最大交并比值不大于测试交并比值，则添加到列表，并设置成错误正例 self.score[int(pdcls)].append([pdsco, 0.0]) # 添加各类错误正例 def get_box_iou_xyxy(self, box1, box2): """ 功能: 计算边框交并比值 输入: box1 - 边界框1 box2 - 边界框2 输出: iou - 交并比值 """ # 计算交集面积 x1_min, y1_min, x1_max, y1_max = box1[0], box1[1], box1[2], box1[3] x2_min, y2_min, x2_max, y2_max = box2[0], box2[1], box2[2], box2[3] x_min = np.maximum(x1_min, x2_min) y_min = np.maximum(y1_min, y2_min) x_max = np.minimum(x1_max, x2_max) y_max = np.minimum(y1_max, y2_max) w = np.maximum(x_max - x_min + 1.0, 0) h = np.maximum(y_max - y_min + 1.0, 0) intersection = w * h # 交集面积 # 计算并集面积 s1 = (y1_max - y1_min + 1.0) * (x1_max - x1_min + 1.0) s2 = (y2_max - y2_min + 1.0) * (x2_max - x2_min + 1.0) union = s1 + s2 - intersection # 并集面积 # 计算交并比 iou = intersection / union return iou def get_mAP(self): """ 功能: 计算各类平均精度 输入: 输出: mAP - 各类平均精度 """ # 计算每类精度 mAP = 0 # 各类平均精度 cnt = 0 # 各类类别计数 for score, count in zip(self.score, self.count): # 遍历每类物体 # 统计正误正例 if count == 0 or len(score) == 0: # 如果该类数量为0，或得分列表为空，则继续下一个类别 continue tp_list, fp_list = self.get_tp_fp_list(score) # 统计正误正例 # 计算预测的准确率和召回率 precision = [] # 准确率列表 recall = [] # 召回率列表 for tp, fp in zip(tp_list, fp_list): precision.append(float(tp) / (tp + fp)) # 添加准确率 recall.append(float(tp) / count) # 添加召回率 # 计算平均精度 AP = 0.0 # 平均精度 pre_recall = 0.0 # 前召回率 for i in range(len(precision)): # 遍历正确率列表 recall_gap = math.fabs(recall[i] - pre_recall) # 计算召回率差值 if recall_gap > 1e-6: # 如果召回率改变，则计算平均精度，更新前召回率 AP += precision[i] * recall_gap # 累加平均精度 pre_recall = recall[i] # 更新前召回率 # 更新各类精度 mAP += AP # 累加各类精度 cnt += 1 # 增加类别计数 # 计算平均精度 mAP = (mAP / float(cnt)) if cnt > 0 else mAP return mAP def get_tp_fp_list(self, score): """ 功能: 对得分列表进行从大到小排序，按排序统计正确正例和错误正例数量 输入: score - 得分列表 输出: tp_list - 正确正例列表 fp_list - 错误正例列表 """ tp = 0 # 正确正例数量 fp = 0 # 错误正例数量 tp_list = [] # 正确正例列表 fp_list = [] # 错误正例列表 score_list = sorted(score, key=lambda s: s[0], reverse=True) # 对得分列表按从大到小排序 for (score, label) in score_list: tp += int(label) # 统计正确正例 tp_list.append(tp) # 添加正确正例 fp += 1 - int(label) # 统计错误正例 fp_list.append(fp) # 添加错误正例 return tp_list, fp_list ############################################################################################################## object_names = ['Boerner', 'Leconte', 'Linnaeus', 'acuminatus', 'armandi', 'coleoptera', 'linnaeus'] # 物体名称 def get_object_gtcls(): """ 功能: 将物体名称映射成物体类别 输入: 输出: object_gtcls - 物体类别 """ object_gtcls = {} # 物体类别字典 for key, value in enumerate(object_names): object_gtcls[value] = key # 将物体名称映射成物体类别 return object_gtcls def test(json_path, xmls_path, num_classes, iou_threshold): """ 功能: 测试模型平均精度 输入: json_path - 预测结果路径 xmls_path - 标签目录路径 num_classes - 预测类别数量 iou_threshold - 测试交并比值 输出: """ # 声明计算方法 mAP = DetectionMAP(num_classes, iou_threshold) # 统计预测得分 json_list = json.load(open(json_path)) # 读取预测结果 for json_item in json_list: # 遍历预测结果 # 读取预测文件 image_name = str(json_item[0]) # 读取文件名称 infer = np.array(json_item[1]).astype('float32') # 读取预测结果 # 读取标签文件 tree = ET.parse(os.path.join(xmls_path, image_name + '.xml')) # 解析文件 image_w = float(tree.find('size').find('width').text) # 图像宽度 image_h = float(tree.find('size').find('height').text) # 图像高度 object_list = tree.findall('object') # 物体列表 gtbox = np.zeros((len(object_list), 4), dtype='float32') # 物体边框 gtcls = np.zeros((len(object_list), ), dtype='int32') # 物体类别 for i, object_item in enumerate(object_list): # 读取物体边框 x_min = float(object_item.find('bndbox').find('xmin').text) # 物体边框x1 y_min = float(object_item.find('bndbox').find('ymin').text) # 物体边框y1 x_max = float(object_item.find('bndbox').find('xmax').text) # 物体边框x2 y_max = float(object_item.find('bndbox').find('ymax').text) # 物体边框y2 x_min = max(0.0, x_min) y_min = max(0.0, y_min) x_max = min(x_max, image_w - 1.0) y_max = min(y_max, image_h - 1.0) gtbox[i] = [x_min, y_min, x_max, y_max] # 设置物体边框 # 读取物体类别 object_name = object_item.find('name').text # 读取物体名称 gtcls[i] = get_object_gtcls()[object_name] # 将物体名称映射成物体类别 # 统计预测得分 mAP.update(infer, gtbox, gtcls) # 计算平均精度 mAP_value = mAP.get_mAP() * 100 # 计算平均精度 print("Detection mAP({:.2f}) = {:.2f}%".format(iou_threshold, mAP_value))
参考资料：
https://blog.csdn.net/qq_31511955/article/details/89022037
https://blog.csdn.net/weixin_41278720/article/details/88774411
https://blog.csdn.net/wc996789331/article/details/83785993
https://blog.csdn.net/litt1e/article/details/88814417
https://blog.csdn.net/litt1e/article/details/88852745
https://blog.csdn.net/litt1e/article/details/88907542
https://aistudio.baidu.com/aistudio/projectdetail/742781
https://aistudio.baidu.com/aistudio/projectdetail/672017
https://aistudio.baidu.com/aistudio/projectdetail/868589
https://aistudio.baidu.com/aistudio/projectdetail/122277