文章目录
- Ultralytics YOLO COCO 评估脚本 (coco_evaluate.py)
- 1. 描述
- 2. 依赖项
- 3. 使用方法
- 4. 输入文件格式
- 5. 输出
- 6. 注意
- 7. 完整代码
Ultralytics YOLO COCO 评估脚本 (coco_evaluate.py)
这是一个 Python 脚本，用于评估以 COCO JSON 格式提供的目标检测结果。它利用官方的 pycocotools 库来计算标准的 COCO 评估指标。
1. 描述
该脚本接收一个包含真实标注（Ground Truth）的 COCO JSON 文件和一个包含模型预测结果的 COCO 格式 JSON 文件作为输入。然后，它使用 pycocotools API 来执行评估过程，并最终将标准的 12 个 COCO 评估指标（包括 AP、AP50、AP75、AP across scales、AR across max detections、AR across scales 等）打印到控制台。
2. 依赖项
在运行此脚本之前，请确保已安装必要的 Python 库：
- Python 3.x
pycocotools: 这是 COCO 官方提供的 API。numpy:pycocotools的依赖项。
你可以使用 pip 安装它们：
pip install numpy pycocotools
3. 使用方法
通过命令行运行此脚本。你需要提供标注文件和预测结果文件的路径。
python coco_evaluate.py --annotations <标注文件路径> --predictions <预测文件路径>
参数说明:
--annotations: 必需。指向 COCO 格式的 JSON 标注文件的路径（例如instances_val2017.json）。--predictions: 必需。指向包含模型预测结果的 JSON 文件的路径。此文件必须遵循 COCO 的结果提交格式（一个 JSON 列表，每个元素包含image_id,category_id,bbox, 和score）。
示例:
假设你的标注文件位于 data/coco/annotations/instances_val2017.json，预测结果文件位于 runs/detect/exp1/predictions.json，你可以这样运行：
python coco_evaluate.py --annotations data/coco/annotations/instances_val2017.json --predictions runs/detect/exp1/predictions.json
4. 输入文件格式
-
标注文件 (
--annotations): 标准的 COCO JSON 格式文件，通常包含info,licenses,images,annotations,categories等字段。 -
预测文件 (
--predictions): 一个 JSON 文件，其内容是一个列表（list）。列表中的每个元素是一个字典（dict），代表一个检测到的目标，必须包含以下键：image_id: 对应标注文件中图像的 ID（整数）。category_id: 检测到的目标的类别 ID（整数），必须与标注文件中的类别 ID 对应。bbox: 检测到的边界框，格式为[x, y, width, height]，其中x,y是左上角坐标。score: 模型对该检测结果的置信度分数（浮点数）。
示例
predictions.json的片段：[{"image_id": 42,"category_id": 18,"bbox": [258.15, 41.29, 348.26, 243.78],"score": 0.997},{"image_id": 73,"category_id": 1,"bbox": [61.87, 222.53, 410.64, 176.95],"score": 0.994},... ]
5. 输出
脚本执行后，会将标准的 COCO 评估结果摘要打印到控制台（标准输出）。输出格式类似于：
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.xxxAverage Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.xxxAverage Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.xxxAverage Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.xxxAverage Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.xxxAverage Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.xxxAverage Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.xxxAverage Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.xxxAverage Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.xxxAverage Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.xxxAverage Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.xxxAverage Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.xxx
其中 0.xxx 会被实际计算出的指标值替换。
6. 注意
- 确保提供的预测文件中的
category_id与标注文件中的类别 ID 映射一致。 - 脚本目前只评估
bbox（边界框检测），如果需要评估实例分割 (segm) 或关键点 (keypoints)，需要修改COCOeval初始化时的iouType参数。
7. 完整代码
#!/usr/bin/env python
# -*- coding: utf-8 -*-"""python coco_evaluate.py --annotations path\instances_val2017.json --predictions path\predictions.json"""import argparse
import json
import os
from pathlib import Pathimport numpy as np
from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOevaldef evaluate_coco(pred_json, anno_json):"""使用pycocotools评估COCO格式的检测结果参数:pred_json: 预测结果的JSON文件路径anno_json: COCO格式的标注文件路径返回:stats: 评估结果统计"""print(f"\n正在评估 COCO 指标，使用 {pred_json} 和 {anno_json}...")# 检查文件是否存在for x in [pred_json, anno_json]:assert os.path.isfile(x), f"文件 {x} 不存在"# 初始化COCO APIanno = COCO(str(anno_json)) # 初始化标注APIpred = anno.loadRes(str(pred_json)) # 初始化预测API (必须传递字符串，而非Path对象)# 进行bbox评估eval_bbox = COCOeval(anno, pred, 'bbox')eval_bbox.evaluate()eval_bbox.accumulate()eval_bbox.summarize()def main():parser = argparse.ArgumentParser(description='评估COCO格式的目标检测结果')parser.add_argument('--annotations', type=str, required=True, help='COCO格式的标注文件路径')parser.add_argument('--predictions', type=str, required=True, help='预测结果的JSON文件路径')args = parser.parse_args()# 确保文件路径存在pred_json = Path(args.predictions)anno_json = Path(args.annotations)# 评估并打印结果stats = evaluate_coco(pred_json, anno_json)if __name__ == '__main__':main()