背景说明

在完成YOLOv5模型移植，运行在板端后，通常需要衡量板端运行的mAP。
一般需要两个步骤
步骤一：在板端批量运行得到目标检测结果，可保存为yolo的txt格式也可保存为json格式；
[目标检测任务中常用的数据集格式(voc、coco、yolo)](https://blog.csdn.net/weixin_45277161/article/details/130331788)
步骤二：计算预测结果 和 标注结果的mAP，本文重点介绍该步骤。

COCOeval 计算mAP

经验证该脚本不局限coco 80分类，只要满足json数据集格式，即可使用该脚本进行计算

# get_map.py
import argparse
import glob
import json
import argparse
import glob
import json
if __name__ == "__main__":            
    parser = argparse.ArgumentParser(description='')            
    parser.add_argument('--result-json', type=str, help='Json of inference results.')            
    parser.add_argument('--benchmark-json', type=str, help='Json of labels.')            
    args = parser.parse_args()            
    result_json = args.result_json            
    instances_train2017_json = args.benchmark_json            
    with open(result_json, 'r') as r:                    
        result = json.load(r)           
    def get_img_id(item):                    
        return item["image_id"]            
    imgIds = set(map(get_img_id, result))            
    try:                    
        from pycocotools.coco import COCO                    
        from pycocotools.cocoeval import COCOeval                    
        cocoGt = COCO(glob.glob(instances_train2017_json)[0])  # initialize coco ground truth api                    
        cocoDt = cocoGt.loadRes(result_json)  # initialize coco pred api                    
        cocoEval = COCOeval(cocoGt, cocoDt, 'bbox')                    
        cocoEval.params.imgIds = list(imgIds)  # image IDs to evaluate                    
        cocoEval.evaluate()                    
        cocoEval.accumulate()                    
        cocoEval.summarize()                    
        map, map50 = cocoEval.stats[:2]  # update results(mAP@0.5:0.95, mAP@0.5)            
    except Exception as e:                    
        print('ERROR: pycocotools unable to run:%s' % e)

执行的命令行脚本如下

python get_map.py  --result-json yolov5s_predictions.json --benchmark-json  instances_val2017.json

输出截图如下，和[官方](https://github.com/ultralytics/yolov5?tab=readme-ov-file)的效果一致

- instances_val2017.json为COCO标准数据集，下载命令如下

# 下载标注文件（2017 Annotations）wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip

- yolov5s_predictions.json为yolov5 预测的数据集
执行YOLOv5源码中的验证脚本val.txt即可得到，需要注意，在运行时需要指定--save-json保存输出结果的json文件,指定--save-conf在json文件中会保存预测框置信度。

python val.py --save-json --save-conf

数据格式如下：
链接: https://pan.baidu.com/s/1udt4iPGEL0glxojS3OmklQ 提取码: asdc

txt文件转换为coco json 格式

1. 训练的txt文件，数据格式如下
58 0.389578 0.416103 0.038594 0.16314662 0.127641 0.505153 0.233313 0.2227
对应【标签  x   y   w  h】
模型直接预测得到的txt文件，数据格式如下
46 0.0451243 0.215648 0.0848332 0.431296 0.725234 46 0.102373 0.546547 0.198804 0.326551 0.70208
对应【标签 conf  x   y   w  h】
2. json文件中数据格式如下

 {"image_id": 5,    
 "category_id": 0,     
 "bbox": [  280.697,  41.816,  218.932,  349.688    ],     
 "score": 0.94485  
 },

其中bbbox为映射到原始图片的值，同样需要score分数

将预测的txt文件转换为json格式

自定义数据集标注

1）准备图片

2）使用LableImg标注工具

对目标进行标注标注结果保存为VOC格式。

可将VOC格式转换为JSON, 参考链接：https://blog.csdn.net/a264672/article/details/123056708)