mmdetection 结果评价函数

{‘bboxes’: array([[119., 111., 244., 252.]], dtype=float32), ‘labels’: array([8]), ‘bboxes_ignore’: array([], shape=(0, 4), dtype=float32), ‘masks’: [[[119.0, 111.0, 244.0, 252.0]]], ‘seg_map’: ‘ER0437_233.png’}

1	python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_2x_coco.py work_dir/faster_rcnn/epoch_80.pth --work-dir . --out ./tmp.pkl

1	python tools/analysis_tools/analyze_results.py configs/faster_rcnn/faster_rcnn_r50_fpn_2x_coco.py ./tmp.pkl ./results

1	python tools/train.py configs/faster_rcnn/faster_rcnn_r50_fpn_2x_coco.py --work-dir/ ./work_dirs/faster_rcnn1

COCO数据集标注文件有三种信息

annotations标注的列表

{
 "id": 1655,
 "image_id": 1011,
 "category_id": 1,
 "bbox": [
  38.760299625468164,
  84.26966292134831,
  100.1198501872659,
  90.47940074906366
 ],
 "area": 9058.784048029847
}

categories标注列表
1
2
3
4
{
"id": 1,
"name": "Prim"
}
images列表
1
2
3
4
5
6
{
"height": 363,
"width": 360,
"id": 0,
"file_name": "ER0437_233.jpg"
}
coco_eval做了些什么？

首先创建哈希表，_gts与_dts键位image_id与category_id，值为标注与预测bbox与类别信息。

分析结果
对结果进行分析

mmdetection检测结果
单纯用Precision与Recall评价检测器并不公平，AP计算了不同Recall下的Precision，综合性地评价了检测器，PR曲线，对所有BBox给出的置信度从高到低进行排序，当把置信度取某一个值S时，依次对前n个大于置信度的BBox计算Precison与Recall得到一组(P, R)结果。在计算AP时，都要对P-R曲线做一次修正，将P值修正为当r>R时最大的P

$$
Precision = \frac{TP}{TP + FP} \
Recall = \frac{TP}{TP + FN} \
AP = \int_{0}^{1} \max({P(r) | r \ge R}) dR
$$
对于BBox是TP还是FP的算法判断，如某一个BBox预测的label为1，则需要计算其与该图片中所有label为1的GT Box的IOU值，当大于iou_thres时，则该预测box为TP，否则为FP。当某一个GT被置信度最大的BBox匹配后，会从GT Box集合中移除。

TP + FN为测试集中该种类的样本的个数，因此不需要计算FN的个数，一个BBox与GT BOX是一一对应的，最后未检出的GT为FN