YOLOv3评估recall、precision等指标

我使用的是voc格式数据集，训练方法详见上篇博客：YOLOv3训练自己的VOC数据集

一、生成检测结果txt文本

./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg xx.weight

• 如果没加-out选项则默认在results目录下生成txt文件，例如：comp4_det_test_car.txt
• 将生成的txt文件更名为 类别名.txt，例如car.txt

二、借助voc_eval.py计算recall、precision等

• Faster RCNN的实现中即包含voc_eval.py，将其复制到当前项目目录下
• 新建compute.py

from voc_eval import voc_eval

rec,prec,ap = voc_eval('…/results/{}.txt','…/VOCdevkit/VOC2007/Annotations/{}.xml','…/VOCdevkit/VOC2007/ImageSets/Main/test.txt','car','.')

print(……)

• 注意随手删除运行目录下生成的annots.pkl，以防下一次运行出现问题
• 另外原项目examples/detector.c中包含validate_detector_recall函数，也可借助其计算recall

参考：
https://blog.csdn.net/cgt19910923/article/details/80524173
https://blog.csdn.net/mieleizhi0522/article/details/79989754
https://blog.csdn.net/northeastsqure/article/details/54848665

来源：CSDN

作者：cc__cc__

链接：https://blog.csdn.net/cc__cc__/article/details/104213097