YOLO输出COCO指标及YOLOv12报错

🎍使用YOLO模型输出COCO评价指标

在val.py中设置参数，save_json=True

python 复制代码

from ultralytics import YOLO


if __name__ == '__main__':
    # 加载模型
    model = YOLO('runs/train/exp/weights/best.pt')  
    # 验证模型
    metrics=model.val(
        val=True,  # (bool) 在训练期间进行验证/测试
        data = '', # 数据集位置
        split='val',  # (str) 用于验证的数据集拆分，例如'val'、'test'或'train'
        batch=1,  # (int) 每批的图像数量（-1 为自动批处理）
        imgsz=640,  # 输入图像的大小，可以是整数或w，h
        device='',  # 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
        workers=8,  # 数据加载的工作线程数（每个DDP进程）
        save_json=True,  # 保存结果到JSON文件, True if for coco metric
        save_hybrid=False,  # 保存标签的混合版本（标签 + 额外的预测）
        conf=0.001,  # 检测的目标置信度阈值（默认为0.25用于预测，0.001用于验证）
        iou=0.6,  # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值
        project='runs/val',  # 项目名称（可选）
        name='exp',  # 实验名称，结果保存在'project/name'目录下（可选）
        max_det=300,  # 每张图像的最大检测数
        half=False,  # 使用半精度 (FP16)
        dnn=False,  # 使用OpenCV DNN进行ONNX推断
        plots=True,  # 在训练/验证期间保存图像
    )

    print(f"mAP50-95: {metrics.box.map}") # map50-95
    print(f"mAP50: {metrics.box.map50}")  # map50
    print(f"mAP75: {metrics.box.map75}")  # map75
    speed_metrics = metrics.speed
    total_time = sum(speed_metrics.values())
    fps = 1000 / total_time
    print(f"FPS: {fps}") # FPS

🎍新建 get_coco_metrics.py 将生成的prediction.json文件，使用COCO评价指标进行测试

python 复制代码

import warnings
warnings.filterwarnings('ignore')
import argparse
from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOeval
from tidecv import TIDE, datasets

def parse_opt():
    parser = argparse.ArgumentParser()
    parser.add_argument('--anno_json', type=str, default='./test.json', help='label coco json path') # 标签json文件
    parser.add_argument('--pred_json', type=str, default='runs/val/exp/predictions.json', help='pred coco json path') # 生成的 prediction.json文件
    
    return parser.parse_known_args()[0]

if __name__ == '__main__':
    opt = parse_opt()
    anno_json = opt.anno_json
    pred_json = opt.pred_json
    
    anno = COCO(anno_json)  # init annotations api
    pred = anno.loadRes(pred_json)  # init predictions api
    eval = COCOeval(anno, pred, 'bbox')
    eval.evaluate()
    eval.accumulate()
    eval.summarize()

    tide = TIDE()
    tide.evaluate_range(datasets.COCO(anno_json), datasets.COCOResult(pred_json), mode=TIDE.BOX)
    tide.summarize()
    tide.plot(out_dir='result')

⭕常见相关报错

assert set(annsImgIds) == (set(annsImgIds) & set (self.getImgIds()))

分析：生成的prediction.json(结果标签)与原来的 test.json(标签) 中 Image_id不一致，可能的出现的情况，

标签中的Image_id: 000123

结果标签Image_id: 123

可以看到图像编号中的 0 被省略，可以通过修改代码进行恢复，保持原Image_id不变

修改位置 ultralytics/models/yolo/detect/val.py --> def pred_to_json( )函数

采用 image_id = stem 即可

python 复制代码

def pred_to_json(self, predn, filename):
        """Serialize YOLO predictions to COCO json format."""
        stem = Path(filename).stem
        # image_id = int(stem) if stem.isnumeric() else stem # 去掉 image_id 前面的0
        image_id = stem # 保持原有不变的 image_id
        box = ops.xyxy2xywh(predn[:, :4])  # xywh
        box[:, :2] -= box[:, 2:] / 2  # xy center to top-left corner
        for p, b in zip(predn.tolist(), box.tolist()):
            self.jdict.append(
                {
                    "image_id": image_id,
                    "category_id": self.class_map[int(p[5])]
                    + (1 if self.is_lvis else 0),  # index starts from 1 if it's lvis
                    "bbox": [round(x, 3) for x in b],
                    "score": round(p[4], 5),
                }
            )

⭕YOLOv12报错

在对YOLOv12模型训练测试时，会出现一下报错，验证的结果基本为0，主要原因是category_id的问题，

解决方案参考Github YOLOv12 Issues

新建一个 new_predictions.json，将已生成的 predictions.json中的category_id进行修改即可

options.py

python 复制代码

import json

with open('./run/exp/predictions.json', 'r') as file:
     data = json.load(file)
     
     for item in data:
         
         if 'category_id' in item:
             item['category_id']  -= 1
         
         
     with open('./run/exp/new_predictions.json', 'w') as file: # 新建一个 new_predictions.json文件
             json.dump(data,file,indent=4)

对已经生成的 new_predictions.json COCO评价指标get_coco_metrics.py

就能得到正常的结果

完结！&#x1F680 &#x1F680 &#x1F680