【Ultralytics YOLO COCO 评估脚本 | 获得COCO评价指标】

文章目录

  • [Ultralytics YOLO COCO 评估脚本 (coco_evaluate.py)](#Ultralytics YOLO COCO 评估脚本 (coco_evaluate.py))
    • [1. 描述](#1. 描述)
    • [2. 依赖项](#2. 依赖项)
    • [3. 使用方法](#3. 使用方法)
    • [4. 输入文件格式](#4. 输入文件格式)
    • [5. 输出](#5. 输出)
    • [6. 注意](#6. 注意)
    • [7. 完整代码](#7. 完整代码)

Ultralytics YOLO COCO 评估脚本 (coco_evaluate.py)

这是一个 Python 脚本,用于评估以 COCO JSON 格式提供的目标检测结果。它利用官方的 pycocotools 库来计算标准的 COCO 评估指标。

1. 描述

该脚本接收一个包含真实标注(Ground Truth)的 COCO JSON 文件和一个包含模型预测结果的 COCO 格式 JSON 文件作为输入。然后,它使用 pycocotools API 来执行评估过程,并最终将标准的 12 个 COCO 评估指标(包括 AP、AP50、AP75、AP across scales、AR across max detections、AR across scales 等)打印到控制台。

2. 依赖项

在运行此脚本之前,请确保已安装必要的 Python 库:

  • Python 3.x
  • pycocotools: 这是 COCO 官方提供的 API。
  • numpy: pycocotools 的依赖项。

你可以使用 pip 安装它们:

bash 复制代码
pip install numpy pycocotools

3. 使用方法

通过命令行运行此脚本。你需要提供标注文件和预测结果文件的路径。

bash 复制代码
python coco_evaluate.py --annotations <标注文件路径> --predictions <预测文件路径>

参数说明:

  • --annotations: 必需 。指向 COCO 格式的 JSON 标注文件的路径(例如 instances_val2017.json)。
  • --predictions: 必需 。指向包含模型预测结果的 JSON 文件的路径。此文件必须遵循 COCO 的结果提交格式(一个 JSON 列表,每个元素包含 image_id, category_id, bbox, 和 score)。

示例:

假设你的标注文件位于 data/coco/annotations/instances_val2017.json,预测结果文件位于 runs/detect/exp1/predictions.json,你可以这样运行:

bash 复制代码
python coco_evaluate.py --annotations data/coco/annotations/instances_val2017.json --predictions runs/detect/exp1/predictions.json

4. 输入文件格式

  1. 标注文件 (--annotations) : 标准的 COCO JSON 格式文件,通常包含 info, licenses, images, annotations, categories 等字段。

  2. 预测文件 (--predictions): 一个 JSON 文件,其内容是一个列表(list)。列表中的每个元素是一个字典(dict),代表一个检测到的目标,必须包含以下键:

    • image_id: 对应标注文件中图像的 ID(整数)。
    • category_id: 检测到的目标的类别 ID(整数),必须与标注文件中的类别 ID 对应。
    • bbox: 检测到的边界框,格式为 [x, y, width, height],其中 x, y 是左上角坐标。
    • score: 模型对该检测结果的置信度分数(浮点数)。

    示例 predictions.json 的片段:

    json 复制代码
    [
      {
        "image_id": 42,
        "category_id": 18,
        "bbox": [258.15, 41.29, 348.26, 243.78],
        "score": 0.997
      },
      {
        "image_id": 73,
        "category_id": 1,
        "bbox": [61.87, 222.53, 410.64, 176.95],
        "score": 0.994
      },
      ...
    ]

5. 输出

脚本执行后,会将标准的 COCO 评估结果摘要打印到控制台(标准输出)。输出格式类似于:

复制代码
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.xxx
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.xxx
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.xxx
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.xxx
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.xxx
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.xxx
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.xxx
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.xxx
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.xxx
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.xxx
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.xxx
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.xxx

其中 0.xxx 会被实际计算出的指标值替换。

6. 注意

  • 确保提供的预测文件中的 category_id 与标注文件中的类别 ID 映射一致。
  • 脚本目前只评估 bbox(边界框检测),如果需要评估实例分割 (segm) 或关键点 (keypoints),需要修改 COCOeval 初始化时的 iouType 参数。

7. 完整代码

python 复制代码
#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""python coco_evaluate.py  --annotations path\instances_val2017.json  --predictions path\predictions.json"""


import argparse
import json
import os
from pathlib import Path

import numpy as np
from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOeval


def evaluate_coco(pred_json, anno_json):
    """
    使用pycocotools评估COCO格式的检测结果
    
    参数:
        pred_json: 预测结果的JSON文件路径
        anno_json: COCO格式的标注文件路径
    
    返回:
        stats: 评估结果统计
    """
    print(f"\n正在评估 COCO 指标,使用 {pred_json} 和 {anno_json}...")
    
    # 检查文件是否存在
    for x in [pred_json, anno_json]:
        assert os.path.isfile(x), f"文件 {x} 不存在"
    
    # 初始化COCO API
    anno = COCO(str(anno_json))  # 初始化标注API
    pred = anno.loadRes(str(pred_json))  # 初始化预测API (必须传递字符串,而非Path对象)
    
    # 进行bbox评估
    eval_bbox = COCOeval(anno, pred, 'bbox')
    eval_bbox.evaluate()
    eval_bbox.accumulate()
    eval_bbox.summarize()


def main():
    parser = argparse.ArgumentParser(description='评估COCO格式的目标检测结果')
    parser.add_argument('--annotations', type=str, required=True, help='COCO格式的标注文件路径')
    parser.add_argument('--predictions', type=str, required=True, help='预测结果的JSON文件路径')
    args = parser.parse_args()
    
    # 确保文件路径存在
    pred_json = Path(args.predictions)
    anno_json = Path(args.annotations)
    
    # 评估并打印结果
    stats = evaluate_coco(pred_json, anno_json)


if __name__ == '__main__':
    main() 
相关推荐
zy_destiny9 小时前
【工业场景】用YOLOv12实现饮料类别识别
人工智能·python·深度学习·yolo·机器学习·计算机视觉·目标跟踪
卧式纯绿10 小时前
每日文献(八)——Part one
人工智能·yolo·目标检测·计算机视觉·目标跟踪·cnn
HABuo16 小时前
【YOLOv8】YOLOv8改进系列(12)----替换主干网络之StarNet
人工智能·深度学习·yolo·目标检测·计算机视觉
AdaCoding19 小时前
YOLOv8架构详解
yolo·网络结构图
plmm烟酒僧2 天前
在 RK3588 多线程推理 YOLO 时,同时开启硬件解码和 RGA 加速的性能分析
yolo·rkmpp·瑞芯微·硬件加速·rga·色彩空间转换
HABuo2 天前
【YOLOv8】YOLOv8改进系列(11)----替换主干网络之MobileNetV4
人工智能·深度学习·yolo·目标检测·计算机视觉
Kai HVZ3 天前
《深度学习》——yolov4详解
人工智能·深度学习·yolo
plmm烟酒僧3 天前
基于 RK3588 的 YOLO 多线程推理多级硬件加速引擎框架设计(代码框架和实现细节)
yolo·rk3588·多线程·rkmpp·硬件加速·视频解码·librga