yolov3學習筆記（一）yolov3的配置實現與mAP的計算

本篇爲yolov3源碼配置實現部分及使用官方模型進行批量測試

文章目錄

源碼配置

下載源碼並編譯

git clone https://github.com/pjreddie/darknet
cd darknet
make

下載預訓練權重（coco）

wget https://pjreddie.com/media/files/yolov3.weights

單張圖片測試

darknet下

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

應該會出現這個界面：

再然後會保存到darknet下prediction.jpg，不會顯示，因爲沒有在opencv下編譯
好的，這是單次測試，然後是批量測試

批量測試

如果只是想要批量測試一下並輸出記錄目標位置信息的txt文件，可以使用valid命令，如下：

./darknet detector valid cfg/voc.data cfg/yolov3.cfg yolov3.weights

其中，cfg/voc.data 爲測試訓練路徑等配置，這裏需要修改
而cfg/yolov3.cfg爲yolov3網絡配置文件
yolov3.weights 爲剛剛下載的權重文件

classes= 20
train  = /home/pjreddie/data/voc/train.txt
valid  = /home/dbc/darknet/test.txt   #你自己的測試圖像路徑
names = data/coco.names   #注意這裏使用的是coco所訓練的模型yolov3.cfg所以這裏對應爲coco.names
backup = backup

這裏test.txt爲測試圖像的路徑，
可以使用命令

ls -R /home/dbc/DATASET/1/pic/*.jpg > files.txt

將路徑下文件的絕對路徑寫入files.txt文件中。
我的test.txt中內容如下：

/home/dbc/DATASET/1/pic/000001.jpg
/home/dbc/DATASET/1/pic/000002.jpg
/home/dbc/DATASET/1/pic/000003.jpg
/home/dbc/DATASET/1/pic/000004.jpg
/home/dbc/DATASET/1/pic/000005.jpg
/home/dbc/DATASET/1/pic/000006.jpg
/home/dbc/DATASET/1/pic/000007.jpg
/home/dbc/DATASET/1/pic/000008.jpg
……

執行完在./results/comp4_det_test_[類名].txt裏會保存測試結果,像這樣

打開comp4_det_test_[handbag].txt看一下：

按列，分別爲：圖像名稱 | 置信度 | xmin,ymin,xmax,ymax

如果想要批量測試並保存測試結果則需要修改./example/detector.c文件
這裏參考了博客

https://blog.csdn.net/mieleizhi0522/article/details/79989754

中的修改方法:

使用以下函數替換了detector.c中的void test_detector函數, 注意修改3處路徑

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
{
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);
 
    image **alphabet = load_alphabet();
    network *net = load_network(cfgfile, weightfile, 0);
    set_batch_network(net, 1);
    srand(2222222);
    double time;
    char buff[256];
    char *input = buff;
    float nms=.45;
    int i=0;
    while(1){
        if(filename){
            strncpy(input, filename, 256);
            image im = load_image_color(input,0,0);
            image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
            layer l = net->layers[net->n-1];
 
 
            float *X = sized.data;
            time=what_time_is_it_now();
            network_predict(net, X);
            printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);
            int nboxes = 0;
            detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
            //printf("%d\n", nboxes);
            //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
            if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
                draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
                free_detections(dets, nboxes);
            if(outfile)
             {
                save_image(im, outfile);
             }
            else{
                save_image(im, "predictions");
#ifdef OPENCV
                cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
                if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
                }
                show_image(im, "predictions");
                cvWaitKey(0);
                cvDestroyAllWindows();
#endif
            }
            free_image(im);
            free_image(sized);
            if (filename) break;
         } 
        else {
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) return;
            strtok(input, "\n");
   
            list *plist = get_paths(input);
            char **paths = (char **)list_to_array(plist);
             printf("Start Testing!\n");
            int m = plist->size;
            if(access("/home/FENGsl/darknet/data/out",0)==-1)//"/home/FENGsl/darknet/data"修改成自己的路徑
            {
              if (mkdir("/home/FENGsl/darknet/data/out",0777))//"/home/FENGsl/darknet/data"修改成自己的路徑
               {
                 printf("creat file bag failed!!!");
               }
            }
            for(i = 0; i < m; ++i){
             char *path = paths[i];
             image im = load_image_color(path,0,0);
             image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
        layer l = net->layers[net->n-1];
 
 
        float *X = sized.data;
        time=what_time_is_it_now();
        network_predict(net, X);
        printf("Try Very Hard:");
        printf("%s: Predicted in %f seconds.\n", path, what_time_is_it_now()-time);
        int nboxes = 0;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
        //printf("%d\n", nboxes);
        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
        draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
        free_detections(dets, nboxes);
        if(outfile){
            save_image(im, outfile);
        }
        else{
             
             char b[2048];
            sprintf(b,"/home/FENGsl/darknet/data/out/%s",GetFilename(path));//"/home/FENGsl/darknet/data"修改成自己的路徑
            
            save_image(im, b);
            printf("save %s successfully!\n",GetFilename(path));
#ifdef OPENCV
            cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "predictions");
            cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }
 
        free_image(im);
        free_image(sized);
        if (filename) break;
        }
      }
    }
}

在前面添加*GetFilename(char *p)函數（這裏和原博客略有不同，增加#include <unistd.h>不然會報錯）

#include "darknet.h"
#include <sys/stat.h>
#include <stdio.h>
#include <unistd.h>
static int coco_ids[] = {1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};


char *GetFilename(char *p)
{ 
    static char name[20]={""};
    char *q = strrchr(p,'/') + 1;
    strncpy(name,q,6); //6是你的測試圖像名稱的長度
    return name;
}

在darknet下重新make
執行批量測試命令如下

./darknet detector test cfg/voc.data cfg/yolov3.cfg yolov3.weights

執行結果：

layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  0.299 BFLOPs
    1 conv     64  3 x 3 / 2   416 x 416 x  32   ->   208 x 208 x  64  1.595 BFLOPs
    .......
  104 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
  105 conv    255  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 255  0.353 BFLOPs
  106 detection
Loading weights from yolov3.weights...Done!
Enter Image Path:

然後輸入測試用圖像路徑，與上文valid參數一樣，輸入

/home/dbc/darknet/test.txt #你的測試圖像路徑

測試結果圖像會保存在./data/out中。

進入下一部分，AP及mAP的計算

yolov3 的AP，mAP計算

這裏，你需要準備：

測試圖像
測試圖像所對應的VOC格式的標記文件（xml）
測試圖像文件列表的txt文件
上文yolo批量測試所輸出的對測試圖像測試的結果文件（txt），其中包含模型所預測的位置信息。*注意：*這裏的txt文件的命名，應當與xml文件中所標記的類別名稱相同，如：handbag.txt, person.txt etc.
下載fasterrcnn的eval_voc.py，自行下載放在darknet目錄下

1大家肯定都有哈哈，2 我是用labelimg標記的，labelImg鏈接
3測試圖像文件列表的txt文件的格式如下：
只有文件名，不需要路徑和後綴名

在darknet目錄下新建一個compute_mAP.py，內容;

from voc_eval import voc_eval
import _pickle as cPickle

rec,prec,ap = voc_eval('/home/dbc/darknet/results/{}.txt', '/home/dbc/DATASET/1/anno/{}.xml', '/home/dbc/darknet/test.txt', 'person', '.')

print('rec',rec)
print('prec',prec)
print('ap',ap)

運行python compute_mAP.py 計算出單類別的AP

###tips：有關keyerror
每次運行前記得刪掉annots.pkl，不然會報錯

yolov3學習筆記（一）yolov3的配置實現與mAP的計算

文章目錄

源碼配置

批量測試

yolov3 的AP，mAP計算

.Net 8.0 下的新RPC，IceRPC之試試的新玩法"打洞"

完美替代postman的軟件

Vue mockjs mock.js

關於遊戲付費的一點想法

我通過CKA和CKS啦！

《最新出爐》系列入門篇-Python+Playwright自動化測試-42-強大的可視化追蹤利器Trace Viewer

大數據怎麼學？對大數據開發領域及崗位的詳細解讀，完整理解大數據開發領域技術體系

python自動發送郵件配置

寫於2020年中

mxnet/gluon學習系列（一）訓練結構概覽

gluon學習系列（三）—Dataset類和DataLoader類

TX2源碼安裝編譯mxnet踩坑記錄

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結