【目标检测】kera-yolo3模型计算mAP
2024-05-28 21:54:21
这些是GitHub上的源码，下载之后均要修改一下。
keras-yolo v3 源码：https://github.com/qqwweee/keras-yolo3
mAP计算代码：https://github.com/Cartucho/mAP
【目标检测】交并比IoU、准确率precision、查全率recall、mAP
上一篇博客【目标检测】基于YOLOv3的海上船舶目标检测分类（Tensorflow/keras）记录了我训练模型的过程。
计算mAP，直接运行项目中main.py就好了。唯一难点就是要生成符合格式要求的detection-results和ground-truth。
目录
- 一、mAP项目构成
- 二、 批量测试图片
- 三、计算mAP
- 3.1 生成detection-results
- 3.2 生成ground-truth
- 3.3 计算mAP
一、mAP项目构成
mAP项目如下：
我们所需要了解的就是input文件，input目录下包含：detection-results、ground-truth、images-optional。
| 文件夹 | 用途 |
|---|---|
| detection-results | 模型预测的检测结果 |
| ground-truth | 图片本身的标记信息 |
| images-optional | 原始图片 |
detection-results 格式
每张图片保存在一个txt文件内，文件命名为图片的名称，每一行代表一个检测结果，格式为：class score left top right bottom。
ground-truth 格式
与detection-results 格式基本相同，只是缺少score这一项。
二、 批量测试图片
在keras-yolo3项目内建立新的python文件test_yolo.py（随便起的名，里面的代码是在yolo.py的基础上修改的）。该代码实现了对test.txt内图片的批量测试，并将结果保存在results目录下。
result.txt文件内记录预测的结果。每一行代表一张图片的信息，依次代表图片名称、种类、得分、左、上、右、下。
代码同时复制一份原始图片到mAP/input/images-optional目录下。
代码如下：
# -*- coding: utf-8 -*-
"""
Class definition of YOLO_v3 style detection model on image and video
"""import colorsys
import os
import time
from timeit import default_timer as timerimport numpy as np
from keras import backend as K
from keras.models import load_model
from keras.layers import Input
from PIL import Image, ImageFont, ImageDrawfrom yolo3.model import yolo_eval, yolo_body, tiny_yolo_body
from yolo3.utils import letterbox_image
import os
from keras.utils import multi_gpu_model# 创建创建一个存储检测结果的dir
result_path = './result'
if not os.path.exists(result_path):os.makedirs(result_path)# result如果之前存放的有文件，全部清除
for i in os.listdir(result_path):path_file = os.path.join(result_path, i)if os.path.isfile(path_file):os.remove(path_file)# 创建一个记录检测结果的文件
txt_path = result_path + '/result.txt'
file = open(txt_path, 'w')class YOLO(object):_defaults = {"model_path": 'logs/000/trained_weights.h5',"anchors_path": 'model_data/yolo_anchors.txt',"classes_path": 'model_data/voc_classes.txt',"score" : 0.3,"iou" : 0.45,"model_image_size" : (416, 416),"gpu_num" : 1,}@classmethoddef get_defaults(cls, n):if n in cls._defaults:return cls._defaults[n]else:return "Unrecognized attribute name '" + n + "'"def __init__(self, **kwargs):self.__dict__.update(self._defaults) # set up default valuesself.__dict__.update(kwargs) # and update with user overridesself.class_names = self._get_class()self.anchors = self._get_anchors()self.sess = K.get_session()self.boxes, self.scores, self.classes = self.generate()def _get_class(self):classes_path = os.path.expanduser(self.classes_path)with open(classes_path) as f:class_names = f.readlines()class_names = [c.strip() for c in class_names]return class_namesdef _get_anchors(self):anchors_path = os.path.expanduser(self.anchors_path)with open(anchors_path) as f:anchors = f.readline()anchors = [float(x) for x in anchors.split(',')]return np.array(anchors).reshape(-1, 2)def generate(self):model_path = os.path.expanduser(self.model_path)assert model_path.endswith('.h5'), 'Keras model or weights must be a .h5 file.'# Load model, or construct model and load weights.num_anchors = len(self.anchors)num_classes = len(self.class_names)is_tiny_version = num_anchors==6 # default settingtry:self.yolo_model = load_model(model_path, compile=False)except:self.yolo_model = tiny_yolo_body(Input(shape=(None,None,3)), num_anchors//2, num_classes) \if is_tiny_version else yolo_body(Input(shape=(None,None,3)), num_anchors//3, num_classes)self.yolo_model.load_weights(self.model_path) # make sure model, anchors and classes matchelse:assert self.yolo_model.layers[-1].output_shape[-1] == \num_anchors/len(self.yolo_model.output) * (num_classes + 5), \'Mismatch between model and given anchor and class sizes'print('{} model, anchors, and classes loaded.'.format(model_path))# Generate colors for drawing bounding boxes.hsv_tuples = [(x / len(self.class_names), 1., 1.)for x in range(len(self.class_names))]self.colors = list(map(lambda x: colorsys.hsv_to_rgb(*x), hsv_tuples))self.colors = list(map(lambda x: (int(x[0] * 255), int(x[1] * 255), int(x[2] * 255)),self.colors))np.random.seed(10101) # Fixed seed for consistent colors across runs.np.random.shuffle(self.colors) # Shuffle colors to decorrelate adjacent classes.np.random.seed(None) # Reset seed to default.# Generate output tensor targets for filtered bounding boxes.self.input_image_shape = K.placeholder(shape=(2, ))if self.gpu_num>=2:self.yolo_model = multi_gpu_model(self.yolo_model, gpus=self.gpu_num)boxes, scores, classes = yolo_eval(self.yolo_model.output, self.anchors,len(self.class_names), self.input_image_shape,score_threshold=self.score, iou_threshold=self.iou)return boxes, scores, classesdef detect_image(self, image):start = timer()if self.model_image_size != (None, None):assert self.model_image_size[0]%32 == 0, 'Multiples of 32 required'assert self.model_image_size[1]%32 == 0, 'Multiples of 32 required'boxed_image = letterbox_image(image, tuple(reversed(self.model_image_size)))else:new_image_size = (image.width - (image.width % 32),image.height - (image.height % 32))boxed_image = letterbox_image(image, new_image_size)image_data = np.array(boxed_image, dtype='float32')print(image_data.shape)image_data /= 255.image_data = np.expand_dims(image_data, 0) # Add batch dimension.out_boxes, out_scores, out_classes = self.sess.run([self.boxes, self.scores, self.classes],feed_dict={self.yolo_model.input: image_data,self.input_image_shape: [image.size[1], image.size[0]],K.learning_phase(): 0})print('Found {} boxes for {}'.format(len(out_boxes), 'img'))font = ImageFont.truetype(font='font/FiraMono-Medium.otf',size=np.floor(3e-2 * image.size[1] + 0.5).astype('int32'))thickness = (image.size[0] + image.size[1]) // 300# # 保存框检测出的框的个数 (添加)# file.write('find ' + str(len(out_boxes)) + ' target(s) \n')for i, c in reversed(list(enumerate(out_classes))):predicted_class = self.class_names[c]box = out_boxes[i]score = out_scores[i]label = '{} {:.2f}'.format(predicted_class, score)draw = ImageDraw.Draw(image)label_size = draw.textsize(label, font)top, left, bottom, right = boxtop = max(0, np.floor(top + 0.5).astype('int32'))left = max(0, np.floor(left + 0.5).astype('int32'))bottom = min(image.size[1], np.floor(bottom + 0.5).astype('int32'))right = min(image.size[0], np.floor(right + 0.5).astype('int32'))# # 写入检测位置（添加）# file.write(# predicted_class + ' score: ' + str(score) + ' \nlocation: top: ' + str(top) + '、 bottom: ' + str(# bottom) + '、 left: ' + str(left) + '、 right: ' + str(right) + '\n')file.write(predicted_class + ' ' + str(score) + ' ' + str(left) + ' ' + str(top) + ' ' + str(right) + ' ' + str(bottom) + ';')print(label, (left, top), (right, bottom))if top - label_size[1] >= 0:text_origin = np.array([left, top - label_size[1]])else:text_origin = np.array([left, top + 1])# My kingdom for a good redistributable image drawing library.for i in range(thickness):draw.rectangle([left + i, top + i, right - i, bottom - i],outline=self.colors[c])draw.rectangle([tuple(text_origin), tuple(text_origin + label_size)],fill=self.colors[c])draw.text(text_origin, label, fill=(0, 0, 0), font=font)del drawend = timer()print(end - start)return imagedef close_session(self):self.sess.close()def detect_video(yolo, video_path, output_path=""):import cv2vid = cv2.VideoCapture(video_path)if not vid.isOpened():raise IOError("Couldn't open webcam or video")video_FourCC = int(vid.get(cv2.CAP_PROP_FOURCC)) # 获得视频编码MPEG4/H264video_fps = vid.get(cv2.CAP_PROP_FPS)video_size = (int(vid.get(cv2.CAP_PROP_FRAME_WIDTH)),int(vid.get(cv2.CAP_PROP_FRAME_HEIGHT)))isOutput = True if output_path != "" else Falseif isOutput:print("!!! TYPE:", type(output_path), type(video_FourCC), type(video_fps), type(video_size))out = cv2.VideoWriter(output_path, video_FourCC, video_fps, video_size)accum_time = 0curr_fps = 0fps = "FPS: ??"prev_time = timer()while True:return_value, frame = vid.read()image = Image.fromarray(frame) # 从array转换成imageimage = yolo.detect_image(image)result = np.asarray(image)curr_time = timer()exec_time = curr_time - prev_timeprev_time = curr_timeaccum_time = accum_time + exec_timecurr_fps = curr_fps + 1if accum_time > 1:accum_time = accum_time - 1fps = "FPS: " + str(curr_fps)curr_fps = 0cv2.putText(result, text=fps, org=(3, 15), fontFace=cv2.FONT_HERSHEY_SIMPLEX,fontScale=0.50, color=(255, 0, 0), thickness=2)cv2.namedWindow("result", cv2.WINDOW_NORMAL)cv2.imshow("result", result)if isOutput:out.write(result)if cv2.waitKey(1) & 0xFF == ord('q'):breakyolo.close_session()# 批量处理文件
if __name__ == '__main__':# 读取test文件with open("A05_helmet/ImageSets/Main/test.txt", 'r') as f: # 打开文件test_list = f.readlines() # 读取文件test_list = [x.strip() for x in test_list if x.strip() != ''] # 去除/n# print(test_list)t1 = time.time()yolo = YOLO()for filename in test_list:image_path = 'A05_helmet/JPEGImages/'+filename+'.jpg'portion = os.path.split(image_path)# file.write(portion[1]+' detect_result：\n')file.write(image_path + ' ')image = Image.open(image_path)image_mAP_save_path = 'E:/Activities/fwwb2019/code/mAP-master/input/images-optional/'image.save(image_mAP_save_path + filename + '.jpg')r_image = yolo.detect_image(image)file.write('\n')#r_image.show() 显示检测结果image_save_path = './result/result_'+portion[1]print('detect result save to....:'+image_save_path)r_image.save(image_save_path)time_sum = time.time() - t1# file.write('time sum: '+str(time_sum)+'s')print('time sum:',time_sum)file.close()yolo.close_session()三、计算mAP
首先在mAP项目中建立名为cal_mAP文件夹，在其中分别建立如下两个python文件。分别用于生成符合detection-result和ground-truth的格式要求的txt文件。
3.1 生成detection-results
从第二部分介绍的result，我们可以生成符合detection-results文件。下图为result.txt：
通过如下代码：
import re
import osdir_project = os.path.abspath(os.path.join(os.getcwd(), "../..")) # 获取上上级目录
dir_result = '/result/result.txt' # yolo批量处理结果的目录
dir_detection_results = '/mAP/input/detection-results' # detection-results目录
surplus = 'A05_helmet/JPEGImages/' # result.txt文件中图片名称多余的部分if __name__ == '__main__':with open(dir_project + dir_result, 'r') as f: # 打开文件filename = f.readlines() # 读取文件for i in range(len(filename)):filename[i] = re.sub(surplus, '', filename[i]) # 去除文件名多余的部分for i in range(len(filename)): # 中按行存放的检测内容，为列表的形式r = filename[i].split('.jpg ')file = open(dir_project + dir_detection_results + '/' + r[0] + '.txt', 'w')t = r[1].split(';')# 去除空格和换行t.remove('\n')if len(t) == 0: # 如果没有对象file.write('')else:for k in range(len(t)):file.write(t[k] + '\n')
将其转化为如下txt文件，每一张图片用一个txt文本表示：
每一个txt文本内容如下图样式，以图片00242为例：
3.2 生成ground-truth
在上一篇博客中我们生成了test.txt文件，我们则要将它转化为符合ground-truth格式要求的txt文本。
此文件中，没有score，其中“1”代表“hat”，“2”代表“person”。
我们通过如下代码进行转换：
import re
import osdir_project = os.path.abspath(os.path.join(os.getcwd(), "../..")) # 获取上上级目录
dir_ground_truth = '/mAP/input/ground-truth' # detection-results目录
surplus = 'A05_helmet/JPEGImages/' # result.txt文件中图片名称多余的部分if __name__ == '__main__':with open(dir_project + '/test.txt', 'r') as f: # 打开文件filename = f.readlines() # 读取文件# print(filename)for i in range(len(filename)):filename[i] = re.sub(surplus, '', filename[i]) # 去除文件名多余的部分for i in range(len(filename)): # 中按行存放的检测内容，为列表的形式r = filename[i].split('.jpg ')print(r[0])file = open(dir_project + dir_ground_truth + '/' + r[0] + '.txt', 'w')t = r[1].split(' ')for j in range(len(t)):class_t = t[j].split(',')[-1]pos_t = t[j].split(',')if class_t == '0' or class_t == '0\n':file.write('person ' + pos_t[0] + ' ' + pos_t[1] + ' '+ pos_t[2] + ' '+ pos_t[3] + '\n')elif class_t == '1' or class_t == '1\n':file.write('hat ' + pos_t[0] + ' ' + pos_t[1] + ' '+ pos_t[2] + ' '+ pos_t[3] + '\n')
转换成功后生成如下文件：
以图片00242为例：
3.3 计算mAP
如果你的类中包含空格（如cargo ship、ore carrier），则需要进行小小的修改，参考本篇博客：计算mAP去除类之间空格（remove_space）。
之后可直接运行mAP项目中的main.py，可生成result文件夹，在该文件夹内保存各类结果。
如果你的类中不包含空格(如person、hat），可直接运行mAP项目中的main.py，可生成result文件夹，在该文件夹内保存各类结果。
单一图像，预测和实际的对比：
各类结果都比较齐全，可慢慢分析。
参考：【YOLOV3-keras-MAP】YOLOV3-keras版本的mAP计算
【目标检测】kera-yolo3模型计算mAP相关推荐
- 目标检测：NMS和计算mAP时的置信度阈值和IoU阈值
在目标检测问题中,好几处地方使用了阈值这个限制指标,主要有:1. NMS操作之前用到的置信度阈值a:2. NMS进行时用到的IoU阈值b:3.计算某类别AP时,统计TP,FP个数前,用到置信度阈值c: ...
- 目标检测中的Iou与map指标详细介绍（零基础）
目标检测中的Iou与map指标详细介绍(零基础) 最近在算法岗实习,更新的频率会低一点,希望在实习过程中学到更多有用的视觉知识. IOU指标 下图中Ground truth为标记的正确框,Predic ...
- 目标检测 YOLO 系列模型
前言 YOLO (You Only Look Once) 系列模型追求实时目标检测,因此会在一定程度上牺牲精度,以实现更高的检测速度. 如果你对这篇文章感兴趣,可以点击「[访客必读 - 指引页]一文囊 ...
- 睿智的目标检测8——yolo3的loss组成详解
睿智的目标检测8--yolo3的loss组成详解 学习前言 参考源码 计算loss所需参数 1.y_pre 2.y_true loss的计算过程 学习前言 只会预测是不够的,对于只有会了训练才能训练出 ...
- CV：基于Keras利用训练好的hdf5模型进行目标检测实现输出模型中的脸部表情或性别的gradcam(可视化)
CV:基于Keras利用训练好的hdf5模型进行目标检测实现输出模型中的脸部表情或性别的gradcam(可视化) 目录 设计思路 核心代码 设计思路 核心代码 #CV:基于keras利用训练好的hdf ...
- 目标检测的评价指标P,R,mAP
目标检测的评价指标P,R,mAP 1 基本概念 1.1 IOU(Intersection over Union) 1.2 TP TN FP FN 2. 各种率 2.1 根据IOU计算Precision ...
- 【三维目标检测】Second 模型 （一）
Second算法是一种基于三维点云的目标检测算法.Second算法采用了几乎与Voxelnet三维目标检测算法完全一致的设计思路,主要差异表现在将Voxelnet CML(Convolutional ...
- （20）目标检测算法之YOLOv5计算预选框、详解anchor计算
目标检测算法之YOLOv5计算预选框.详解anchor计算 单节段目标检测算法中:预选框的设定直接影响最终的检测精度 众所周知,yolov5中采用自适应调整预选框anchor的大小,但万事开头难,配置 ...
- 用C++ 和OpenCV 实现视频目标检测（YOLOv4模型）
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 据说,现在很多小区都上线了AI抓拍高空抛物的黑科技,可以自动分析抛物 ...
最新文章
- 柳进军 | 城市大脑的逻辑模型
- Autofac 解释第一个例子 《第一篇》
- Matlab计时函数使用
- codeforces 401D. Roman and Numbers 数位dp
- OpenCV图像处理——修复失焦模糊的图像
- 文件流下载 ASP.NET
- [html] html的属性值有规定要使用单引号还是双引号吗？
- qt中QMap与QMultimap用foreach遍历
- 日志的艺术（The art of logging）
- matlab参数摄动仿真,《过程控制工程及仿真：基于MATLAB/Simulink》随书光盘
- 【图像隐写】基于matlab GUI LSB+DWT数字水印嵌入+提取+检测+攻击【含Matlab源码 833期】
- 图解机器学习算法(1) | 机器学习基础知识（机器学习通关指南·完结）
- Flutter 判断横竖屏（含尺寸、方向改变时触发）
- 微型计算机的指令集,窥视灵魂深处 AMD新一代SIMD指令集剖析
- cad工具箱详细讲解_筑龙网CAD工具箱使用说明
- [禅悟人生]生活中的烦恼, 一笑了之
- [喵咪软件推荐(1)]全球国家信息库
- 【嵌入式开发】开发板设置系统时间
- html一个大网页5个小网页,5个范例告诉你：什么是自适应网页设计
- 计算机组成原理 day01 - 第一章