用html怎么做网站尾部重庆公司招聘

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)
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。

探索历程（_可略过）：如果想基于预测的txt计算mAP，推荐 Cartucho/mAP, 由于开发时间有限，最终还是决定基于json 格式进行计算。

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 jsonif __name__ == "__main__":import argparseimport globimport jsonif __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_jsoninstances_train2017_json = args.benchmark_jsonwith 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 COCOfrom pycocotools.cocoeval import COCOevalcocoGt = COCO(glob.glob(instances_train2017_json)[0])  # initialize coco ground truth apicocoDt = cocoGt.loadRes(result_json)  # initialize coco pred apicocoEval = COCOeval(cocoGt, cocoDt, 'bbox')cocoEval.params.imgIds = list(imgIds)  # image IDs to evaluatecocoEval.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 0.163146
62 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