背景說明

在完成YOLOv5模型移植，運行在板端后，通常需要衡量板端運行的mAP。

一般需要兩個步驟
步驟一：在板端批量運行得到目標檢測結果，可保存為yolo的txt格式也可保存為json格式；
目標檢測任務中常用的數據集格式(voc、coco、yolo)
步驟二：計算預測結果 和 標注結果的mAP，本文重點介紹該步驟。

探索歷程（_可略過）：如果想基于預測的txt計算mAP，推薦 Cartucho/mAP, 由于開發時間有限，最終還是決定基于json 格式進行計算。

COCOeval 計算mAP

經驗證該腳本不局限coco 80分類，只要滿足json數據集格式，即可使用該腳本進行計算

# get_map.py
import argparse
import glob
import jsonif __name__ == "__main__":import argparseimport globimport jsonif __name__ == "__main__":parser = argparse.ArgumentParser(description='')parser.add_argument('--result-json', type=str, help='Json of inference results.')parser.add_argument('--benchmark-json', type=str, help='Json of labels.')args = parser.parse_args()result_json = args.result_jsoninstances_train2017_json = args.benchmark_jsonwith open(result_json, 'r') as r:result = json.load(r)def get_img_id(item):return item["image_id"]imgIds = set(map(get_img_id, result))try:from pycocotools.coco import COCOfrom pycocotools.cocoeval import COCOevalcocoGt = COCO(glob.glob(instances_train2017_json)[0])  # initialize coco ground truth apicocoDt = cocoGt.loadRes(result_json)  # initialize coco pred apicocoEval = COCOeval(cocoGt, cocoDt, 'bbox')cocoEval.params.imgIds = list(imgIds)  # image IDs to evaluatecocoEval.evaluate()cocoEval.accumulate()cocoEval.summarize()map, map50 = cocoEval.stats[:2]  # update results(mAP@0.5:0.95, mAP@0.5)except Exception as e:print('ERROR: pycocotools unable to run:%s' % e)

執行的命令行腳本如下

python get_map.py  --result-json yolov5s_predictions.json --benchmark-json  instances_val2017.json

輸出截圖如下，和官方的效果一致

• instances_val2017.json為COCO標準數據集，下載命令如下

# 下載標注文件（2017 Annotations）
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip

• yolov5s_predictions.json為yolov5 預測的數據集
  執行YOLOv5源碼中的驗證腳本val.txt即可得到，需要注意，在運行時需要指定–save-json保存輸出結果的json文件,指定–save-conf在json文件中會保存預測框置信度。

python val.py --save-json --save-conf

數據格式如下
鏈接: https://pan.baidu.com/s/1udt4iPGEL0glxojS3OmklQ 提取碼: asdc

txt文件轉換為coco json 格式

1. 訓練的txt文件，數據格式如下

58 0.389578 0.416103 0.038594 0.163146
62 0.127641 0.505153 0.233313 0.2227

對應【標簽 x y w h】

模型直接預測得到的txt文件，數據格式如下

46 0.0451243 0.215648 0.0848332 0.431296 0.725234
46 0.102373 0.546547 0.198804 0.326551 0.70208

對應【標簽 conf x y w h】

2. json文件中數據格式如下

{
“image_id”: 5,
“category_id”: 0,
“bbox”: [
280.697,
41.816,
218.932,
349.688
],
“score”: 0.94485
},
其中bbbox為映射到原始圖片的值，同樣需要score分數

將預測的txt文件轉換為json格式

自定義數據集標注

1）準備圖片
2）使用LableImg標注工具
對目標進行標注

標注結果保存為VOC格式。
可將VOC格式轉換為JSON