旅游网站的导航栏目设计,大数据开发是做什么的,页面设计原型图,进行优化当将yolo算法移植部署在嵌入式设备上#xff0c;为了验证算法的准确率。将模型测试的结果保存为txt文件#xff08;每一个txt文件#xff0c;对应一个图片#xff09;。此外#xff0c;需要将数据集中的标签由[x,y,w,h]转为[x1,y1,x2,y2]。最后#xff0c;运行验证代码
…当将yolo算法移植部署在嵌入式设备上为了验证算法的准确率。将模型测试的结果保存为txt文件每一个txt文件对应一个图片。此外需要将数据集中的标签由[x,y,w,h]转为[x1,y1,x2,y2]。最后运行验证代码
标签格式转换
yolo格式的txt文件保存的坐标信息是中心点和框的高宽。如果我们要进行训练和验证的话那么需要将yolo格式的坐标进行转换成框的左上角的坐标和右下角的坐标。 转换原理和公式如下
下面的代码-将数据集中的标签由[x,y,w,h]转为[x1,y1,x2,y2]
import cv2
import os
import numpy as npdef Xmin_Ymin_Xmax_Ymax(img_path,txt_path,save_path)::param img_path: 图片文件的路径:param txt_path: 坐标文件的路径:return:img cv2.imread(img_path)# 获取图片的高宽h, w, _ img.shapewith open(save_path, w) as file:pass # 什么都不写入文件把txt文件的内容清空# 坐标转换原始存储的是YOLOv5格式# from [x, y, w, h] normalized to [x1, y1, x2, y2]with open(txt_path, r) as file:for line in file:# 在这里处理每一行的内容contlineline.split( ) #计算框的左上角坐标和右下角坐标,使用strip将首尾空格去掉xminfloat((contline[1]).strip())-float(contline[3].strip())/2xmaxfloat(contline[1].strip())float(contline[3].strip())/2ymin float(contline[2].strip()) - float(contline[4].strip()) / 2ymax float(contline[2].strip()) float(contline[4].strip()) / 2#将坐标0-1之间的值还原回在图片中实际的坐标位置---因此YOLOv5格式保存到x, y, w, h都是归一化后xmin,xmaxw*xmin,w*xmaxymin,ymaxh*ymin,h*ymaxdatasetsstr(contline[0]) str(xmin) str(ymin) str(xmax) str(ymax)\nwith open(save_path,a) as fp:fp.write(datasets)# #打印查看保存后txt的内容# with open(save_path, r) as file:# for line in file:# contlineline.split( ) # print(contline)return (contline[0],xmin,ymin,xmax,ymax)#将所有转换之后的实际坐标保存到新的txt文件当中
def writeXYToTxt()::return:imgsPathinput/images-optionaltxtsPathinput/ground-truth_zxdsave_pathinput/ground-truth/imgsos.listdir(imgsPath)txtsos.listdir(txtsPath)for img_,txt_ in zip(imgs,txts):img_pathos.path.join(imgsPath,img_)txt_pathos.path.join(txtsPath,txt_)Xmin_Ymin_Xmax_Ymax(img_pathimg_path,txt_pathtxt_path,save_path save_pathtxt_)if __name__ __main__:writeXYToTxt()参考链接LabelImg标注的YOLO格式txt标签中心坐标和物体边界框长宽的转换
测试结果验证
使用PASCAL VOC 2012比赛中定义的mAP标准进行评判。通过计算真实标签中存在的每个类别的平均精度AP并计算mAP平均精度值以作为算法精度的性能指标。
TP TN FP FN的概念
TPTrue Positives意思就是被分为了正样本而且分对了。TNTrue Negatives意思就是被分为了负样本而且分对了FPFalse Positives意思就是被分为了正样本但是分错了事实上这个样本是负样本。FNFalse Negatives意思就是被分为了负样本但是分错了事实上这个样本是正样本。
mAP其中代表PPrecision精确率。APAverage precision单类标签平均各个召回率中最大精确率的平均数的精确率mAP(Mean Average Precision)所有类标签的平均精确率。 备注
mAP0.5: mean Average PrecisionIoU0.5。即将IoU设为0.5时计算每一类的所有图片的AP然后所有类别求平均即mAP。mAP.5:.95mAP[.5:.95]表示在不同IoU阈值从0.5到0.95步长0.050.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95上的平均mAP。
准确率预测正确的样本数/所有样本数即预测正确的样本比例包括预测正确的正样本和预测正确的负样本不过在目标检测领域没有预测正确的负样本这一说法所以目标检测里面没有用Accuracy的。
精确率也称查准率Precision翻译成中文就是“分类器认为是正类并且确实是正类的部分占所有分类器认为是正类的比例”。
召回率Recall和Precision一样脱离类别是没有意义的。说道Recall一定指的是某个类别的Recall。Recall表示某一类样本预测正确的与所有Ground Truth的比例。 Recall翻译成中文就是“分类器认为是正类并且确实是正类的部分占所有确实是正类的比例”。
AP指单个类别平均精确度而mAP是所有类别的平均精确度 AP事实上指的是利用不同的Precision和Recall的点的组合画出来的曲线下面的面积。 当我们取不同的置信度可以获得不同的Precision和不同的Recall当我们取得置信度够密集的时候就可以获得非常多的Precision和Recall。此时Precision和Recall可以在图片上画出一条线这条线下部分的面积就是某个类的AP值。 mAP就是所有的类的AP值求平均。
绘制mAP
第一首先在github上下载绘制mAP所需的代码https://github.com/Cartucho/mAP 第二在下载的代码中将模型预测结果的txt文件放在detection-results文件夹中。其中预测标签的格式class_name 要注意的是模型预测的置信度阈值要设置低一点可以设置为0.05。 第二在下载的代码中将真实标签结果的txt文件放在ground-truth文件夹中。其中真实标签的格式class_name [] 第三在下载的代码中将原始图片放在image-optional文件夹中。其中图片用于可视化但是如果不需要可视化可以不放在图片。
参考链接 1、睿智的目标检测20——利用mAP计算目标检测精确度 2、史上最全AP、mAP详解与代码实现
