| MMDetection评价标准mAP,Precision,Recall,FPS,FLOPs | 您所在的位置：网站首页 › 目标检测recall太低 › MMDetection评价标准mAP,Precision,Recall,FPS,FLOPs |
MMDetection评价标准mAP,Precision,Recall,FPS,FLOPs
|
利用MMDetection已训练出来的权重，分析目标检测各项重要评价指标 mAP，Precision，Recall，FPS，FLOPs 1. 打印 mAP执行tools/test.py 需要确定3个关键参数 # 测试算法的配置路径 parser.add_argument('--config', help='test config file path') # 已经训练好的权重路径 parser.add_argument('--checkpoint', help='checkpoint file') # 使用COCO的评估测试方式 bbox parser.add_argument('--eval',default='bboox',type=str,nargs='+',help='evaluation metrics, which depends on the dataset, e.g., "bbox",'' "segm", "proposal" for COCO, and "mAP", "recall" for PASCAL VOC') python tools/test.py
需改tools/analysis_tools/confusion_matrix.py文件，在底部添加代码 TP = np.diag(confusion_matrix) FP = np.diag(confusion_matrix, axis=0) - TP FN = np.diag(confusion_matrix, axis=1) - TP precision = TP / (TP + FP) recall = TP / (TP + FN) average_precision = np.mean(precision) average_recall = np.mean(recall) f1 = 2* (average_precision * average_recall) / (average_precision + average_recall) print('\n AP:', average_precision) print('AR:', average_recall) print('F1:', f1) print('Precision', precision) print('Recall', recall) # print('TP:', TP) # print('FP:', FP) # print('FN', FN)
确定tools/test.py 重要参数，生成 .pkl文件用于分析上述各个指标 # 测试算法的配置路径 parser.add_argument('--config', default='文件路径', help='test config file path') # 已经训练好的权重路径 parser.add_argument('--checkpoint', default='训练权重', help='checkpoint file') # 使用COCO的评估测试方式 bbox parser.add_argument('--eval',default='bboox',type=str,nargs='+',help='evaluation metrics, which depends on the dataset, e.g., "bbox",'' "segm", "proposal" for COCO, and "mAP", "recall" for PASCAL VOC') # 关键参数，生成xxx.pkl文件 parser.add_argument('--out', default='workdir/cascadercnn/cascadercnn.pkl' help='output result file in pickle format')确定 tools/analysis_tools/confusion_matrix.py 关键参数 # 算法配置文件路径 parser.add_argument('--config', default='你的算法文件路径' help='test config file path') # 上一步已生成的 pkl文件路径 parser.add_argument('--prediction_path', default='workdir/cascadercnn/cascadercnn.pkl', help='prediction path where test .pkl result') # 文件保存地址 parser.add_argument('--save_dir', default='workdir/cascadercnn', help='directory where confusion matrix will be saved') # 运行 confusion_matrix.py python tools/analysis/confusion_matrix.py
找到 tools/analysis_tools/benchmark.py，修改关键参数 # 算法配置文件路径 parser.add_argument('--config', default='算法配置文件路径', help='test config file path') # 训练好的权重路径 parser.add_argument('--checkpoint', default='训练好的权重路径', help='checkpoint file') # 选择pytorch parser.add_argument( '--launcher', default = 'pytorch', # 填写pytorch choices=['none', 'pytorch', 'slurm', 'mpi'], default='none', help='job launcher')运行一下代码 python -m torch.distributed.launch --nproc_per_node=1 --master_port=29500 tools/analysis_tools/benchmark.py
找到tools/analysis_tools/get_flops.py确定关键参数 # 算法配置文件地址 parser.add_argument('--config', default='算法配置文件地址', help='train config file path') parser.add_argument( '--shape', type=int, nargs='+', default=[1233, 800], # 输入大小，可调整 help='input image size') # 运行 get_flops.py python tools/analysis_tools/get_flops.py
以上就是使用MMDetection，获取到目标检测相关数据评价指标的操作指南~ |
【本文地址】
公司简介
联系我们