SSD模型的评估流程，最终得出一个mAP值

东方耀 · 发表于 2019-12-5 15:13:44

SSD模型的评估流程，最终得出一个mAP值
模型的评估给定一个keras ssd模型和一个数据集
计算 mean_average_precision mAP值 AP
评估器适用于任何SSD模型和任何与DataGenerator兼容的数据集

评价数据集的图像数量(dfy生成的) 100
图像数量 in the evaluation dataset: 100

开始准备评估数据：第3批次生成器生成共5张图片的数据：
batch_X.shape(0-255之间原始图像): (5, 300, 480, 3)
batch_image_ids: ['1478899617425904275', '1478899628281049213', '1478899653988577849', '1478899713403220600', '1478899715689427508']
batch_eval_neutral=None: None
batch_inverse_transforms: [[<function Resize.__call__.<locals>.inverter at 0x00000189E298FB70>], [<function Resize.__call__.<locals>.inverter at 0x00000189E298FBF8>], [<function Resize.__call__.<locals>.inverter at 0x00000189E298FC80>], [<function Resize.__call__.<locals>.inverter at 0x00000189E298FD08>], [<function Resize.__call__.<locals>.inverter at 0x00000189E298FE18>]]
batch_orig_labels(人工标注框): [array([[ 1, 130, 151, 140, 166],
[ 1, 174, 136, 324, 186],
[ 1, 188, 147, 197, 160],
[ 1, 195, 146, 221, 166],
[ 3, 220, 139, 230, 159],
[ 3, 286, 133, 296, 152],
[ 3, 394, 127, 404, 171],
[ 3, 396, 125, 404, 169],
[ 3, 398, 125, 410, 170],
[ 3, 400, 127, 414, 171],
[ 3, 415, 122, 430, 171],
[ 3, 427, 123, 439, 167],
[ 3, 435, 122, 444, 162],
[ 3, 437, 121, 444, 134],
[ 3, 437, 124, 449, 167],
[ 3, 438, 123, 448, 169],
[ 3, 445, 118, 460, 173],
[ 5, 272, 78, 286, 106]]), array([[ 1, 42, 154, 79, 179],
[ 1, 89, 149, 129, 177],
[ 1, 128, 149, 143, 168],
[ 1, 141, 146, 156, 165],
[ 1, 158, 142, 203, 171],
[ 1, 197, 148, 220, 164],
[ 3, 17, 149, 26, 179],
[ 3, 25, 162, 33, 178],
[ 3, 31, 146, 42, 180],
[ 3, 34, 146, 43, 179],
[ 3, 250, 136, 256, 160],
[ 3, 467, 120, 479, 167],
[ 5, 273, 79, 285, 108]]), array([[ 1, 0, 156, 86, 228],
[ 1, 11, 160, 57, 192],
[ 1, 59, 147, 102, 199],
[ 1, 102, 155, 139, 188],
[ 1, 207, 152, 218, 174],
[ 1, 217, 157, 250, 182],
[ 5, 355, 32, 388, 90]]), array([[ 1, 14, 150, 56, 177],
[ 1, 63, 150, 97, 171],
[ 1, 159, 152, 180, 165],
[ 1, 179, 147, 193, 158],
[ 1, 239, 143, 280, 176],
[ 1, 263, 140, 351, 205],
[ 3, 54, 148, 64, 179]]), array([[ 1, 126, 156, 162, 178],
[ 1, 153, 155, 165, 174],
[ 1, 162, 155, 171, 172],
[ 1, 165, 149, 189, 168],
[ 1, 167, 150, 185, 167],
[ 1, 237, 155, 253, 172],
[ 1, 250, 148, 303, 187],
[ 1, 251, 151, 292, 185],
[ 1, 270, 128, 349, 211],
[ 1, 274, 137, 334, 203],
[ 1, 306, 116, 479, 257]])]
y_pred(最原始的预测输出矩阵，需要解码): (5, 17538, 18)
第3批次预测矩阵解码后(看10个)： 5 (79, 6) [[1.00000000e+00 9.92159367e-01 8.78242278e+01 1.49071679e+02
1.29146519e+02 1.79754174e+02]
[1.00000000e+00 9.90103364e-01 1.94422989e+02 1.30735677e+02
3.23959236e+02 1.87532812e+02]
[1.00000000e+00 9.78667259e-01 1.29244165e+02 1.47029659e+02
1.51263599e+02 1.64934987e+02]
[1.00000000e+00 9.35054719e-01 4.45835924e+01 1.56430990e+02
7.55889988e+01 1.77821392e+02]
[1.00000000e+00 6.38964772e-01 1.36262255e+02 1.44860709e+02
1.58394241e+02 1.66857183e+02]
[1.00000000e+00 5.87403774e-01 1.22331262e+02 1.47848806e+02
1.43061547e+02 1.67164153e+02]
[1.00000000e+00 4.43958014e-01 1.00944965e+02 1.45819384e+02
1.38740458e+02 1.73838240e+02]
[1.00000000e+00 3.13019693e-01 1.82266846e+02 1.40068281e+02
2.68794079e+02 1.99307764e+02]
[1.00000000e+00 2.90724188e-01 1.65475588e+02 1.46950972e+02
1.82356539e+02 1.60114932e+02]
[1.00000000e+00 2.74756938e-01 2.86394234e+02 1.44827351e+02
3.24880943e+02 1.79003137e+02]]
第3批次预测矩阵逆变换后(看10个-有点区别)： 5 (79, 6) [[1.00000000e+00 9.92159367e-01 8.80000000e+01 1.49000000e+02
1.29000000e+02 1.80000000e+02]
[1.00000000e+00 9.90103364e-01 1.94000000e+02 1.31000000e+02
3.24000000e+02 1.88000000e+02]
[1.00000000e+00 9.78667259e-01 1.29000000e+02 1.47000000e+02
1.51000000e+02 1.65000000e+02]
[1.00000000e+00 9.35054719e-01 4.50000000e+01 1.56000000e+02
7.60000000e+01 1.78000000e+02]
[1.00000000e+00 6.38964772e-01 1.36000000e+02 1.45000000e+02
1.58000000e+02 1.67000000e+02]
[1.00000000e+00 5.87403774e-01 1.22000000e+02 1.48000000e+02
1.43000000e+02 1.67000000e+02]
[1.00000000e+00 4.43958014e-01 1.01000000e+02 1.46000000e+02
1.39000000e+02 1.74000000e+02]
[1.00000000e+00 3.13019693e-01 1.82000000e+02 1.40000000e+02
2.69000000e+02 1.99000000e+02]
[1.00000000e+00 2.90724188e-01 1.65000000e+02 1.47000000e+02
1.82000000e+02 1.60000000e+02]
[1.00000000e+00 2.74756938e-01 2.86000000e+02 1.45000000e+02
3.25000000e+02 1.79000000e+02]]
第3批次预测的最终结果中第0张图片id为：1478899617425904275
该图片的模型预测结果(类别 conf box坐标)： [[1.00000000e+00 9.92159367e-01 8.80000000e+01 1.49000000e+02
1.29000000e+02 1.80000000e+02]
[1.00000000e+00 9.90103364e-01 1.94000000e+02 1.31000000e+02
3.24000000e+02 1.88000000e+02]
[1.00000000e+00 9.78667259e-01 1.29000000e+02 1.47000000e+02
1.51000000e+02 1.65000000e+02]
[1.00000000e+00 9.35054719e-01 4.50000000e+01 1.56000000e+02
7.60000000e+01 1.78000000e+02]
[1.00000000e+00 6.38964772e-01 1.36000000e+02 1.45000000e+02
1.58000000e+02 1.67000000e+02]
[1.00000000e+00 5.87403774e-01 1.22000000e+02 1.48000000e+02
1.43000000e+02 1.67000000e+02]
[1.00000000e+00 4.43958014e-01 1.01000000e+02 1.46000000e+02
1.39000000e+02 1.74000000e+02]
[1.00000000e+00 3.13019693e-01 1.82000000e+02 1.40000000e+02
2.69000000e+02 1.99000000e+02]
[1.00000000e+00 2.90724188e-01 1.65000000e+02 1.47000000e+02
1.82000000e+02 1.60000000e+02]
[1.00000000e+00 2.74756938e-01 2.86000000e+02 1.45000000e+02
3.25000000e+02 1.79000000e+02]
[1.00000000e+00 2.66051531e-01 1.00000000e+02 1.44000000e+02
1.30000000e+02 1.61000000e+02]
[1.00000000e+00 2.29826450e-01 2.61000000e+02 1.36000000e+02
3.24000000e+02 1.81000000e+02]
[1.00000000e+00 2.26917684e-01 3.30000000e+01 1.45000000e+02
8.00000000e+01 1.80000000e+02]
[1.00000000e+00 2.25069046e-01 6.40000000e+01 1.58000000e+02
9.00000000e+01 1.75000000e+02]
[3.00000000e+00 6.90764070e-01 3.98000000e+02 1.31000000e+02
4.13000000e+02 1.76000000e+02]
[3.00000000e+00 6.44587100e-01 4.00000000e+02 1.16000000e+02
4.24000000e+02 1.87000000e+02]
[3.00000000e+00 6.01636350e-01 4.36000000e+02 1.26000000e+02
4.52000000e+02 1.71000000e+02]
[3.00000000e+00 5.69371879e-01 4.29000000e+02 1.19000000e+02
4.56000000e+02 1.85000000e+02]
[3.00000000e+00 5.57582974e-01 4.30000000e+02 1.24000000e+02
4.45000000e+02 1.71000000e+02]
[3.00000000e+00 4.39789027e-01 4.44000000e+02 1.21000000e+02
4.57000000e+02 1.76000000e+02]
[3.00000000e+00 3.95806879e-01 4.05000000e+02 1.23000000e+02
4.18000000e+02 1.73000000e+02]
[3.00000000e+00 3.77325922e-01 4.08000000e+02 1.15000000e+02
4.36000000e+02 1.80000000e+02]
[3.00000000e+00 3.43584388e-01 3.93000000e+02 1.29000000e+02
4.06000000e+02 1.68000000e+02]
[3.00000000e+00 3.42776388e-01 4.14000000e+02 1.25000000e+02
4.27000000e+02 1.69000000e+02]
[3.00000000e+00 2.92253971e-01 4.40000000e+02 1.14000000e+02
4.70000000e+02 1.82000000e+02]
[3.00000000e+00 2.74967074e-01 4.21000000e+02 1.33000000e+02
4.32000000e+02 1.68000000e+02]
[3.00000000e+00 2.35897750e-01 4.53000000e+02 1.24000000e+02
4.68000000e+02 1.69000000e+02]
[3.00000000e+00 2.10217386e-01 4.43000000e+02 1.35000000e+02
4.60000000e+02 1.61000000e+02]]
第3批次预测的最终结果中第1张图片id为：1478899628281049213
该图片的模型预测结果(类别 conf box坐标)： [[1.00000000e+00 9.99990821e-01 1.63000000e+02 1.45000000e+02
2.03000000e+02 1.74000000e+02]
[1.00000000e+00 9.87625301e-01 9.00000000e+01 1.47000000e+02
1.33000000e+02 1.77000000e+02]
[1.00000000e+00 9.87330854e-01 1.99000000e+02 1.48000000e+02
2.22000000e+02 1.65000000e+02]
[1.00000000e+00 9.37270761e-01 4.60000000e+01 1.57000000e+02
7.50000000e+01 1.77000000e+02]
[1.00000000e+00 8.50932062e-01 1.28000000e+02 1.47000000e+02
1.51000000e+02 1.65000000e+02]
[1.00000000e+00 3.71252626e-01 4.56000000e+02 1.46000000e+02
4.78000000e+02 1.69000000e+02]
[1.00000000e+00 2.92066485e-01 6.30000000e+01 1.58000000e+02
9.20000000e+01 1.76000000e+02]
[1.00000000e+00 2.41335809e-01 1.97000000e+02 1.45000000e+02
2.13000000e+02 1.62000000e+02]
[1.00000000e+00 2.25273594e-01 1.38000000e+02 1.46000000e+02
1.56000000e+02 1.66000000e+02]]
第3批次预测的最终结果中第2张图片id为：1478899653988577849
该图片的模型预测结果(类别 conf box坐标)： [[ 1.00000000e+00 9.99516368e-01 2.16000000e+02 1.57000000e+02
2.53000000e+02 1.80000000e+02]
[ 1.00000000e+00 9.82311010e-01 9.80000000e+01 1.57000000e+02
1.44000000e+02 1.88000000e+02]
[ 1.00000000e+00 9.47192430e-01 -5.00000000e+00 1.53000000e+02
8.90000000e+01 2.27000000e+02]
[ 1.00000000e+00 9.35156703e-01 1.42000000e+02 1.57000000e+02
1.67000000e+02 1.78000000e+02]
[ 1.00000000e+00 8.61966789e-01 5.90000000e+01 1.51000000e+02
1.13000000e+02 1.98000000e+02]
[ 1.00000000e+00 4.59336042e-01 1.25000000e+02 1.58000000e+02
1.60000000e+02 1.85000000e+02]
[ 1.00000000e+00 4.36139137e-01 -1.00000000e+00 2.00000000e+02
4.40000000e+01 2.32000000e+02]
[ 1.00000000e+00 3.89087439e-01 3.70000000e+01 1.49000000e+02
1.03000000e+02 1.85000000e+02]
[ 1.00000000e+00 2.52639055e-01 1.31000000e+02 1.59000000e+02
1.49000000e+02 1.81000000e+02]
[ 1.00000000e+00 2.47557878e-01 1.52000000e+02 1.55000000e+02
1.72000000e+02 1.75000000e+02]]
第3批次预测的最终结果中第3张图片id为：1478899713403220600
该图片的模型预测结果(类别 conf box坐标)： [[1.00000000e+00 9.99447405e-01 2.36000000e+02 1.44000000e+02
2.83000000e+02 1.80000000e+02]
[1.00000000e+00 9.98692811e-01 2.76000000e+02 1.42000000e+02
3.51000000e+02 2.01000000e+02]
[1.00000000e+00 9.95880246e-01 1.40000000e+01 1.50000000e+02
5.60000000e+01 1.78000000e+02]
[1.00000000e+00 9.88153279e-01 1.62000000e+02 1.51000000e+02
1.83000000e+02 1.67000000e+02]
[1.00000000e+00 9.46712673e-01 6.70000000e+01 1.53000000e+02
9.50000000e+01 1.71000000e+02]
[1.00000000e+00 8.94858062e-01 3.68000000e+02 1.32000000e+02
4.86000000e+02 2.66000000e+02]
[1.00000000e+00 4.24145222e-01 1.82000000e+02 1.50000000e+02
1.96000000e+02 1.62000000e+02]
[1.00000000e+00 3.92895132e-01 2.31000000e+02 1.49000000e+02
2.42000000e+02 1.65000000e+02]
[1.00000000e+00 3.50649267e-01 3.11000000e+02 1.42000000e+02
3.51000000e+02 1.75000000e+02]
[1.00000000e+00 3.17424327e-01 2.50000000e+01 1.55000000e+02
4.70000000e+01 1.78000000e+02]
[1.00000000e+00 2.93019652e-01 3.10000000e+01 1.47000000e+02
6.60000000e+01 1.78000000e+02]
[1.00000000e+00 2.53777742e-01 8.00000000e+00 1.37000000e+02
6.70000000e+01 1.86000000e+02]
[1.00000000e+00 2.52641171e-01 2.35000000e+02 1.44000000e+02
2.54000000e+02 1.71000000e+02]
[1.00000000e+00 2.40116104e-01 2.58000000e+02 1.43000000e+02
2.97000000e+02 2.00000000e+02]
[1.00000000e+00 2.15906829e-01 4.58000000e+02 1.87000000e+02
4.80000000e+02 2.21000000e+02]
[1.00000000e+00 2.12410867e-01 2.25000000e+02 1.51000000e+02
2.35000000e+02 1.60000000e+02]]
第3批次预测的最终结果中第4张图片id为：1478899715689427508
该图片的模型预测结果(类别 conf box坐标)： [[1.00000000e+00 9.99686360e-01 1.32000000e+02 1.56000000e+02
1.62000000e+02 1.77000000e+02]
[1.00000000e+00 9.96290565e-01 2.98000000e+02 1.15000000e+02
4.65000000e+02 2.53000000e+02]
[1.00000000e+00 9.95949984e-01 2.51000000e+02 1.53000000e+02
2.91000000e+02 1.86000000e+02]
[1.00000000e+00 9.57530737e-01 1.66000000e+02 1.50000000e+02
1.87000000e+02 1.69000000e+02]
[1.00000000e+00 9.43275690e-01 2.78000000e+02 1.38000000e+02
3.46000000e+02 2.12000000e+02]
[1.00000000e+00 8.93384099e-01 2.59000000e+02 1.47000000e+02
2.99000000e+02 2.03000000e+02]
[1.00000000e+00 8.13581526e-01 2.71000000e+02 1.44000000e+02
3.13000000e+02 2.17000000e+02]
[1.00000000e+00 8.01495075e-01 2.36000000e+02 1.53000000e+02
2.55000000e+02 1.73000000e+02]
[1.00000000e+00 7.88314164e-01 2.93000000e+02 1.39000000e+02
3.94000000e+02 2.46000000e+02]
[1.00000000e+00 5.11697233e-01 3.03000000e+02 1.36000000e+02
3.39000000e+02 1.71000000e+02]
[1.00000000e+00 3.82808954e-01 1.44000000e+02 1.51000000e+02
1.66000000e+02 1.76000000e+02]
[1.00000000e+00 2.68731356e-01 1.58000000e+02 1.55000000e+02
1.76000000e+02 1.71000000e+02]
[1.00000000e+00 2.19573632e-01 2.88000000e+02 1.38000000e+02
3.25000000e+02 1.81000000e+02]
[1.00000000e+00 2.18739241e-01 2.50000000e+02 1.46000000e+02
2.73000000e+02 1.83000000e+02]
[1.00000000e+00 2.14313671e-01 2.24000000e+02 1.53000000e+02
2.36000000e+02 1.64000000e+02]
[1.00000000e+00 2.06513435e-01 2.39000000e+02 1.52000000e+02
2.66000000e+02 1.80000000e+02]]
共100张图片一个批次5张每张图片有若干个box（class_id,conf,坐标）按类别id放好(image_id, conf,坐标)
评估数据集中模型预测的所有结果放self.prediction_results(按类别数6):
类别为0 背景的box个数： 0 []
类别为1 预测为：汽车的box个数： 806 [('1478899063845976339', 0.9982074499130249, 278.0, 145.0, 328.0, 189.0), ('1478899063845976339', 0.9853217005729675, 253.0, 157.0, 280.0, 178.0), ('1478899063845976339', 0.9045549035072327, 357.0, 120.0, 457.0, 244.0), ('1478899063845976339', 0.5599468350410461, 258.0, 151.0, 289.0, 180.0), ('1478899063845976339', 0.2862977981567383, 270.0, 147.0, 307.0, 185.0), ('1478899076415353128', 0.9966716766357422, 171.0, 138.0, 225.0, 179.0), ('1478899076415353128', 0.335631787776947, 46.0, 132.0, 77.0, 151.0), ('1478899119261540850', 0.9920482039451599, 119.0, 152.0, 138.0, 168.0), ('1478899119261540850', 0.7399142384529114, 194.0, 147.0, 217.0, 170.0), ('1478899119261540850', 0.6939660906791687, 219.0, 150.0, 237.0, 167.0)]
类别为2 预测为：卡车的box个数： 49 [('1478899119261540850', 0.6304968595504761, 193.0, 140.0, 217.0, 164.0), ('1478899129544917445', 0.21618717908859253, 209.0, 142.0, 233.0, 164.0), ('1478899173534768372', 0.3313438296318054, 173.0, 126.0, 199.0, 161.0), ('1478899173534768372', 0.2547512650489807, 149.0, 122.0, 196.0, 165.0), ('1478899173534768372', 0.2521292567253113, 31.0, 36.0, 177.0, 213.0), ('1478899452895126901', 0.46467095613479614, 83.0, 142.0, 102.0, 160.0), ('1478899452895126901', 0.22265693545341492, 79.0, 140.0, 109.0, 170.0), ('1478899462606481570', 0.2906848192214966, 331.0, 12.0, 465.0, 155.0), ('1478899470604520731', 0.6692790985107422, 340.0, -8.0, 471.0, 140.0), ('1478899470604520731', 0.48826149106025696, 329.0, 132.0, 402.0, 193.0)]
类别为3 预测为：行人的box个数： 44 [('1478899373485354010', 0.3107784688472748, 318.0, 127.0, 341.0, 204.0), ('1478899408905909438', 0.7512431740760803, 371.0, 115.0, 392.0, 178.0), ('1478899408905909438', 0.7348095774650574, 308.0, 134.0, 323.0, 167.0), ('1478899408905909438', 0.6917641758918762, 43.0, 148.0, 59.0, 183.0), ('1478899408905909438', 0.31329917907714844, 305.0, 139.0, 315.0, 169.0), ('1478899408905909438', 0.28979068994522095, 271.0, 141.0, 282.0, 166.0), ('1478899408905909438', 0.23659910261631012, 297.0, 133.0, 330.0, 167.0), ('1478899408905909438', 0.2242814004421234, 294.0, 135.0, 308.0, 165.0), ('1478899408905909438', 0.217983677983284, 325.0, 136.0, 339.0, 164.0), ('1478899442040608642', 0.23499134182929993, 251.0, 129.0, 283.0, 198.0)]
类别为4 预测为：自行车的box个数： 2 [('1478899408905909438', 0.20466406643390656, 307.0, 138.0, 324.0, 162.0), ('1478900402378690293', 0.2932908535003662, 268.0, 145.0, 282.0, 179.0)]
类别为5 预测为：交通灯的box个数： 18 [('1478899373485354010', 0.3918336033821106, 56.0, 70.0, 70.0, 97.0), ('1478899373485354010', 0.26278260350227356, 341.0, 63.0, 357.0, 104.0), ('1478899897929065646', 0.28871652483940125, 238.0, 97.0, 249.0, 119.0), ('1478899982480314766', 0.4646466076374054, 181.0, 92.0, 192.0, 113.0), ('1478900121875028906', 0.2416301816701889, 62.0, 97.0, 72.0, 112.0), ('1478900121875028906', 0.20996727049350739, 114.0, 119.0, 120.0, 128.0), ('1478900132157889917', 0.4832686483860016, 154.0, 88.0, 162.0, 103.0), ('1478900132157889917', 0.28159210085868835, 190.0, 93.0, 199.0, 108.0), ('1478900132157889917', 0.21612289547920227, 188.0, 91.0, 196.0, 104.0), ('1478900132157889917', 0.20665480196475983, 343.0, 28.0, 377.0, 88.0)]
在所有评估数据集中每个类别的gt box人工标注框的数量(放self.num_gt_per_class)跟csv文件中统计的一样： [ 0 466 18 95 5 86]
开始匹配预测的所有box，按类别来，判断每个类别预测的所有box是否正确？首先看类别其次看iou
在match_predictions函数中：准备填充字典ground_truth,key:image_id,value:图片的all人工标注框,共有100张图片
类别为：1的所有预测结果的shape(还是一维向量)：(806,)
类别为：2的所有预测结果的shape(还是一维向量)：(49,)
类别为：3的所有预测结果的shape(还是一维向量)：(44,)
类别为：4的所有预测结果的shape(还是一维向量)：(2,)
类别为：5的所有预测结果的shape(还是一维向量)：(18,)
交通灯class_id == 5类别的所有预测值： 18 [('1478899373485354010', 0.3918336 , 56., 70., 70., 97.)
('1478899373485354010', 0.2627826 , 341., 63., 357., 104.)
('1478899897929065646', 0.28871652, 238., 97., 249., 119.)
('1478899982480314766', 0.4646466 , 181., 92., 192., 113.)
('1478900121875028906', 0.24163018, 62., 97., 72., 112.)
('1478900121875028906', 0.20996727, 114., 119., 120., 128.)
('1478900132157889917', 0.48326865, 154., 88., 162., 103.)
('1478900132157889917', 0.2815921 , 190., 93., 199., 108.)
('1478900132157889917', 0.2161229 , 188., 91., 196., 104.)
('1478900132157889917', 0.2066548 , 343., 28., 377., 88.)
('1478900132157889917', 0.20441264, 244., 35., 255., 55.)
('1478900385239798995', 0.31677985, 94., 106., 111., 129.)
('1478900925679405380', 0.2633388 , 382., 107., 395., 125.)
('1478901335296316867', 0.6121095 , 438., 55., 454., 87.)
('1478901335296316867', 0.56203926, 234., 93., 241., 107.)
('1478901335296316867', 0.50102115, 437., 50., 461., 102.)
('1478901335296316867', 0.24818783, 195., 89., 203., 104.)
('1478901335296316867', 0.21715014, 190., 93., 223., 142.)]
交通灯class_id == 5类别的所有预测box(按置信度从大到小排序后的)： [('1478901335296316867', 0.6121095 , 438., 55., 454., 87.)
('1478901335296316867', 0.56203926, 234., 93., 241., 107.)
('1478901335296316867', 0.50102115, 437., 50., 461., 102.)
('1478900132157889917', 0.48326865, 154., 88., 162., 103.)
('1478899982480314766', 0.4646466 , 181., 92., 192., 113.)
('1478899373485354010', 0.3918336 , 56., 70., 70., 97.)
('1478900385239798995', 0.31677985, 94., 106., 111., 129.)
('1478899897929065646', 0.28871652, 238., 97., 249., 119.)
('1478900132157889917', 0.2815921 , 190., 93., 199., 108.)
('1478900925679405380', 0.2633388 , 382., 107., 395., 125.)
('1478899373485354010', 0.2627826 , 341., 63., 357., 104.)
('1478901335296316867', 0.24818783, 195., 89., 203., 104.)
('1478900121875028906', 0.24163018, 62., 97., 72., 112.)
('1478901335296316867', 0.21715014, 190., 93., 223., 142.)
('1478900132157889917', 0.2161229 , 188., 91., 196., 104.)
('1478900121875028906', 0.20996727, 114., 119., 120., 128.)
('1478900132157889917', 0.2066548 , 343., 28., 377., 88.)
('1478900132157889917', 0.20441264, 244., 35., 255., 55.)]
交通灯class_id == 5类别,排序后：(第0个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框： (5, 5) [[ 5 148 91 157 106]
[ 5 194 91 203 104]
[ 5 232 90 240 105]
[ 5 322 118 330 131]
[ 5 434 53 457 97]]
交通灯class_id == 5类别,(第0个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框_计算iou： (5,) [0. 0. 0. 0. 0.50592885]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.5059288537549407 匹配的索引为： 4
交通灯类别中：标识为正确预测的box：第0个
交通灯类别中：该预测box对应image_id=1478901335296316867中所有人工标注框:gt= (5, 5)
该预测box匹配上(占用)的人工标注框索引：gt_match_index: 4
第一种情况：交通灯类别中：image_id=1478901335296316867没在gt_matched中的情况：之后gt_matched= {'1478901335296316867': array([False, False, False, False, True])}
交通灯class_id == 5类别,排序后：(第1个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框： (5, 5) [[ 5 148 91 157 106]
[ 5 194 91 203 104]
[ 5 232 90 240 105]
[ 5 322 118 330 131]
[ 5 434 53 457 97]]
交通灯class_id == 5类别,(第1个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框_计算iou： (5,) [0. 0. 0.49315068 0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.4931506849315068 匹配的索引为： 2
类别class_id=5当中预测的第1个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第1个
交通灯class_id == 5类别,排序后：(第2个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框： (5, 5) [[ 5 148 91 157 106]
[ 5 194 91 203 104]
[ 5 232 90 240 105]
[ 5 322 118 330 131]
[ 5 434 53 457 97]]
交通灯class_id == 5类别,(第2个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框_计算iou： (5,) [0. 0. 0. 0. 0.63768116]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.6376811594202898 匹配的索引为： 4
规定：再次匹配到同一个gt box是错误的，先匹配到的conf是要大些的(已经排序了)
第三种情况(该图片image_id=1478901335296316867中,前面计算的最大iou匹配上的人工标注框已经被其他预测box占用)：交通灯类别中：标识为错误预测的box：第2个
交通灯class_id == 5类别,排序后：(第3个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框： (8, 5) [[ 5 117 93 129 109]
[ 5 152 86 163 103]
[ 5 154 86 162 102]
[ 5 187 89 197 108]
[ 5 188 91 195 107]
[ 5 245 116 254 135]
[ 5 245 121 252 134]
[ 5 347 24 380 77]]
交通灯class_id == 5类别,(第3个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框_计算iou： (8,) [0. 0.64171123 0.82352941 0. 0. 0.
0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.8235294117647058 匹配的索引为： 2
交通灯类别中：标识为正确预测的box：第3个
交通灯类别中：该预测box对应image_id=1478900132157889917中所有人工标注框:gt= (8, 5)
该预测box匹配上(占用)的人工标注框索引：gt_match_index: 2
第一种情况：交通灯类别中：image_id=1478900132157889917没在gt_matched中的情况：之后gt_matched= {'1478901335296316867': array([False, False, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False])}
交通灯class_id == 5类别,排序后：(第4个)预测的一个box与该图片image_id=1478899982480314766中这个类别(交通灯)的所有人工标注框： (4, 5) [[ 5 176 88 191 120]
[ 5 182 95 189 113]
[ 5 239 125 250 148]
[ 5 243 133 249 145]]
交通灯class_id == 5类别,(第4个)预测的一个box与该图片image_id=1478899982480314766中这个类别(交通灯)的所有人工标注框_计算iou： (4,) [0.41916168 0.54545455 0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.5454545454545454 匹配的索引为： 1
交通灯类别中：标识为正确预测的box：第4个
交通灯类别中：该预测box对应image_id=1478899982480314766中所有人工标注框:gt= (4, 5)
该预测box匹配上(占用)的人工标注框索引：gt_match_index: 1
第一种情况：交通灯类别中：image_id=1478899982480314766没在gt_matched中的情况：之后gt_matched= {'1478901335296316867': array([False, False, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False]), '1478899982480314766': array([False, True, False, False])}
交通灯class_id == 5类别,排序后：(第5个)预测的一个box与该图片image_id=1478899373485354010中这个类别(交通灯)的所有人工标注框： (2, 5) [[ 5 57 73 67 96]
[ 5 343 67 356 100]]
交通灯class_id == 5类别,(第5个)预测的一个box与该图片image_id=1478899373485354010中这个类别(交通灯)的所有人工标注框_计算iou： (2,) [0.60846561 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.6084656084656085 匹配的索引为： 0
交通灯类别中：标识为正确预测的box：第5个
交通灯类别中：该预测box对应image_id=1478899373485354010中所有人工标注框:gt= (2, 5)
该预测box匹配上(占用)的人工标注框索引：gt_match_index: 0
第一种情况：交通灯类别中：image_id=1478899373485354010没在gt_matched中的情况：之后gt_matched= {'1478901335296316867': array([False, False, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, False])}
交通灯class_id == 5类别,排序后：(第6个)预测的一个box与该图片image_id=1478900385239798995中这个类别(交通灯)的所有人工标注框： (3, 5) [[ 5 55 113 61 124]
[ 5 99 105 105 120]
[ 5 150 133 155 143]]
交通灯class_id == 5类别,(第6个)预测的一个box与该图片image_id=1478900385239798995中这个类别(交通灯)的所有人工标注框_计算iou： (3,) [0. 0.2115869 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.21158690176322417 匹配的索引为： 1
类别class_id=5当中预测的第6个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第6个
交通灯class_id == 5类别,排序后：(第7个)预测的一个box与该图片image_id=1478899897929065646中这个类别(交通灯)的所有人工标注框： (3, 5) [[ 5 34 107 44 123]
[ 5 36 104 43 119]
[ 5 241 100 248 113]]
交通灯class_id == 5类别,(第7个)预测的一个box与该图片image_id=1478899897929065646中这个类别(交通灯)的所有人工标注框_计算iou： (3,) [0. 0. 0.37603306]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.3760330578512397 匹配的索引为： 2
类别class_id=5当中预测的第7个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第7个
交通灯class_id == 5类别,排序后：(第8个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框： (8, 5) [[ 5 117 93 129 109]
[ 5 152 86 163 103]
[ 5 154 86 162 102]
[ 5 187 89 197 108]
[ 5 188 91 195 107]
[ 5 245 116 254 135]
[ 5 245 121 252 134]
[ 5 347 24 380 77]]
交通灯class_id == 5类别,(第8个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框_计算iou： (8,) [0. 0. 0. 0.47727273 0.39548023 0.
0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.4772727272727273 匹配的索引为： 3
类别class_id=5当中预测的第8个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第8个
交通灯class_id == 5类别,排序后：(第9个)预测的一个box与该图片image_id=1478900925679405380中这个类别(交通灯)的所有人工标注框： (4, 5) [[ 5 240 113 249 124]
[ 5 240 114 247 130]
[ 5 384 106 390 120]
[ 5 435 126 441 139]]
交通灯class_id == 5类别,(第9个)预测的一个box与该图片image_id=1478900925679405380中这个类别(交通灯)的所有人工标注框_计算iou： (4,) [0. 0. 0.325 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.325 匹配的索引为： 2
类别class_id=5当中预测的第9个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第9个
交通灯class_id == 5类别,排序后：(第10个)预测的一个box与该图片image_id=1478899373485354010中这个类别(交通灯)的所有人工标注框： (2, 5) [[ 5 57 73 67 96]
[ 5 343 67 356 100]]
交通灯class_id == 5类别,(第10个)预测的一个box与该图片image_id=1478899373485354010中这个类别(交通灯)的所有人工标注框_计算iou： (2,) [0. 0.65396341]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.6539634146341463 匹配的索引为： 1
交通灯类别中：标识为正确预测的box：第10个
第二种情况(该图片image_id=1478899373485354010,预测的第10个box由前面计算的iou最大值而匹配上的人工标注框索引gt_match_index=1还没有被其他预测box占用)：, gt_matched= {'1478901335296316867': array([False, False, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, False])}
第二种情况,gt_matched(字典)更新之后是： {'1478901335296316867': array([False, False, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, True])}
交通灯class_id == 5类别,排序后：(第11个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框： (5, 5) [[ 5 148 91 157 106]
[ 5 194 91 203 104]
[ 5 232 90 240 105]
[ 5 322 118 330 131]
[ 5 434 53 457 97]]
交通灯class_id == 5类别,(第11个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框_计算iou： (5,) [0. 0.78195489 0. 0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.7819548872180451 匹配的索引为： 1
交通灯类别中：标识为正确预测的box：第11个
第二种情况(该图片image_id=1478901335296316867,预测的第11个box由前面计算的iou最大值而匹配上的人工标注框索引gt_match_index=1还没有被其他预测box占用)：, gt_matched= {'1478901335296316867': array([False, False, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, True])}
第二种情况,gt_matched(字典)更新之后是： {'1478901335296316867': array([False, True, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, True])}
交通灯class_id == 5类别,排序后：(第12个)预测的一个box与该图片image_id=1478900121875028906中这个类别(交通灯)的所有人工标注框： (4, 5) [[ 5 95 118 101 129]
[ 5 115 115 121 125]
[ 5 135 117 140 126]
[ 5 192 122 199 135]]
交通灯class_id == 5类别,(第12个)预测的一个box与该图片image_id=1478900121875028906中这个类别(交通灯)的所有人工标注框_计算iou： (4,) [0. 0. 0. 0.]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.0 匹配的索引为： 0
类别class_id=5当中预测的第12个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第12个
交通灯class_id == 5类别,排序后：(第13个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框： (5, 5) [[ 5 148 91 157 106]
[ 5 194 91 203 104]
[ 5 232 90 240 105]
[ 5 322 118 330 131]
[ 5 434 53 457 97]]
交通灯class_id == 5类别,(第13个)预测的一个box与该图片image_id=1478901335296316867中这个类别(交通灯)的所有人工标注框_计算iou： (5,) [0. 0.06055046 0. 0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.060550458715596334 匹配的索引为： 1
类别class_id=5当中预测的第13个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第13个
交通灯class_id == 5类别,排序后：(第14个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框： (8, 5) [[ 5 117 93 129 109]
[ 5 152 86 163 103]
[ 5 154 86 162 102]
[ 5 187 89 197 108]
[ 5 188 91 195 107]
[ 5 245 116 254 135]
[ 5 245 121 252 134]
[ 5 347 24 380 77]]
交通灯class_id == 5类别,(第14个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框_计算iou： (8,) [0. 0. 0. 0.54736842 0.728 0.
0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.728 匹配的索引为： 4
交通灯类别中：标识为正确预测的box：第14个
第二种情况(该图片image_id=1478900132157889917,预测的第14个box由前面计算的iou最大值而匹配上的人工标注框索引gt_match_index=4还没有被其他预测box占用)：, gt_matched= {'1478901335296316867': array([False, True, False, False, True]), '1478900132157889917': array([False, False, True, False, False, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, True])}
第二种情况,gt_matched(字典)更新之后是： {'1478901335296316867': array([False, True, False, False, True]), '1478900132157889917': array([False, False, True, False, True, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, True])}
交通灯class_id == 5类别,排序后：(第15个)预测的一个box与该图片image_id=1478900121875028906中这个类别(交通灯)的所有人工标注框： (4, 5) [[ 5 95 118 101 129]
[ 5 115 115 121 125]
[ 5 135 117 140 126]
[ 5 192 122 199 135]]
交通灯class_id == 5类别,(第15个)预测的一个box与该图片image_id=1478900121875028906中这个类别(交通灯)的所有人工标注框_计算iou： (4,) [0. 0.35714286 0. 0. ]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.35714285714285715 匹配的索引为： 1
类别class_id=5当中预测的第15个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第15个
交通灯class_id == 5类别,排序后：(第16个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框： (8, 5) [[ 5 117 93 129 109]
[ 5 152 86 163 103]
[ 5 154 86 162 102]
[ 5 187 89 197 108]
[ 5 188 91 195 107]
[ 5 245 116 254 135]
[ 5 245 121 252 134]
[ 5 347 24 380 77]]
交通灯class_id == 5类别,(第16个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框_计算iou： (8,) [0. 0. 0. 0. 0. 0.
0. 0.63389392]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.6338939197930142 匹配的索引为： 7
交通灯类别中：标识为正确预测的box：第16个
第二种情况(该图片image_id=1478900132157889917,预测的第16个box由前面计算的iou最大值而匹配上的人工标注框索引gt_match_index=7还没有被其他预测box占用)：, gt_matched= {'1478901335296316867': array([False, True, False, False, True]), '1478900132157889917': array([False, False, True, False, True, False, False, False]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, True])}
第二种情况,gt_matched(字典)更新之后是： {'1478901335296316867': array([False, True, False, False, True]), '1478900132157889917': array([False, False, True, False, True, False, False, True]), '1478899982480314766': array([False, True, False, False]), '1478899373485354010': array([ True, True])}
交通灯class_id == 5类别,排序后：(第17个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框： (8, 5) [[ 5 117 93 129 109]
[ 5 152 86 163 103]
[ 5 154 86 162 102]
[ 5 187 89 197 108]
[ 5 188 91 195 107]
[ 5 245 116 254 135]
[ 5 245 121 252 134]
[ 5 347 24 380 77]]
交通灯class_id == 5类别,(第17个)预测的一个box与该图片image_id=1478900132157889917中这个类别(交通灯)的所有人工标注框_计算iou： (8,) [0. 0. 0. 0. 0. 0. 0. 0.]
取iou的最大值(所有人工标注的框中与预测的box重合度最大的那个)(看是否大于设定的iou匹配阈值)： 0.0 匹配的索引为： 0
类别class_id=5当中预测的第17个box跟其对应的所有人工标注框iou的最大值还要小于我们设定的iou匹配阈值:标识为预测错误的box：第17个
交通灯class_id == 5类别(共18个预测的box),预测正确的box:true_pos= [1 0 0 1 1 1 0 0 0 0 1 1 0 0 1 0 1 0]
交通灯class_id == 5类别(共18个预测的box),预测错误的box:false_pos= [0 1 1 0 0 0 1 1 1 1 0 0 1 1 0 1 0 1]
交通灯class_id == 5类别(共18个预测的box),cumulative_true_pos= [1 1 1 2 3 4 4 4 4 4 5 6 6 6 7 7 8 8]
交通灯class_id == 5类别(共18个预测的box),cumulative_false_pos= [ 0 1 2 2 2 2 3 4 5 6 6 6 7 8 8 9 9 10]
计算精准率和召回率(按类别)：交通灯class_id == 5类别(共18个预测的box)
交通灯class_id == 5类别,累计的预测正确的box(顺序是：预测box的置信度从大到小的，如果调整预测结果解码时的置信度阈值将直接影响该类预测box的总数量)： [1 1 1 2 3 4 4 4 4 4 5 6 6 6 7 7 8 8]
交通灯class_id == 5类别,累计的预测错误的box: [ 0 1 2 2 2 2 3 4 5 6 6 6 7 8 8 9 9 10]
交通灯class_id == 5类别,随着预测box的总数量的增加，该类别精准率的变化情况cumulative_precision： 18 [1. 0.5 0.33333333 0.5 0.6 0.66666667
0.57142857 0.5 0.44444444 0.4 0.45454545 0.5
0.46153846 0.42857143 0.46666667 0.4375 0.47058824 0.44444444]
交通灯class_id == 5类别,随着预测box的总数量的增加，该类别召回率的变化情况(肯定是越来越大的)cumulative_recall： 18 [0.01162791 0.01162791 0.01162791 0.02325581 0.03488372 0.04651163
0.04651163 0.04651163 0.04651163 0.04651163 0.05813953 0.06976744
0.06976744 0.06976744 0.08139535 0.08139535 0.09302326 0.09302326]
计算精准率和召回率的最终结果：按类别index放在列表self.cumulative_precisions与self.cumulative_recalls中
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.00,本次得出的精准率=1
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.10,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.20,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.30,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.40,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.50,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.60,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.70,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.80,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=0.90,本次得出的精准率=0
计算average精准率(按类别)交通灯class_id == 5类别：循环num_recall_points=11次,本次的累计召回率阈值t=1.00,本次得出的精准率=0
结果：交通灯class_id == 5类别, average精准率mode=sample,召回率点数=11,平均精准率(上面每次得出的精准率相加除以总次数)：0.09091
平均精准率的最终结果：按类别index放在列表self.average_precisions中
最终的结果：mean_average_precision(每个类别的平均精准率再求平均值-不算类别0背景): 0.2662049009269257
average_precisions(每个类别的平均精准率): 6 [0.0, 0.568196221806346, 0.2577777777777778, 0.1414141414141414, 0.2727272727272727, 0.09090909090909091]

复制代码

xsoft · 发表于 2020-2-3 15:38:24

谢谢老师提供的资料。

		自动登录	找回密码
密码			立即注册

[课堂笔记] SSD模型的评估流程，最终得出一个mAP值