前言
本文只介绍如何利用YOLOv3训练好的model来计算VOC数据集的mAP。
举一反三，很容易理解如何利用自己训练的model来计算自己的数据集的mAP。
1 运行detector valid命令，进行测试
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/VOC/yolov3-voc_final.weights -out "" -gpu 0 -thresh .5
注意：-out “” 双引号其实可以加内容的，但建议初次使用时不要加自定义内容，网上很多教程都加了，其实一点用都没有。之后可以再慢慢探索。
运行速度很快，大概90秒
运行结束后，在results文件夹下生成20个.txt文件，为什么是20个，因为VOC数据集就是20类呀。
2 下载voc_eval.py
https://github.com/rbgirshick/py-faster-rcnn/tree/master/lib/datasets
3 新建compute_mAP.py
写入
from voc_eval import voc_eval
print voc_eval('/home/cxx/Amusi/Object_Detection/YOLO/darknet/results/{}.txt', '/home/cxx/Amusi/Object_Detection/YOLO/darknet/datasets/pjreddie-VOC/VOCdevkit/VOC2007/Annotations/{}.xml', '/home/cxx/Amusi/Object_Detection/YOLO/darknet/datasets/pjreddie-VOC/VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'person', '.')注意要修改上述内容的路径
要在python2的环境下运行compute_mAP.py。
扫描二维码关注公众号，回复：
2863477 查看本文章
运行完成后，其实会在当前路径下生成一个annots.pkl。这个文件很重要，如果你换了数据集，对新的类别来计算mAP，则需要将之前生成的annots.pkl删掉，才能正常计算。
其实上述代码是对person类计算mAP，输出的结果如下所示：
输出的最后一项内容，才是person类的mAP，即为0.852959。
同理，将compute_mAP.py中的person改成aeroplane，即可以计算aeroplane的mAP。
上述内容，其实是网上千篇一律的内容。
我在想，为什么不直接写一个.py，直接计算出所有单类别的mAP和总的mAP！
这就搞起来！
4 新建computer_Single_ALL_mAP.py
写入如下内容：
from voc_eval import voc_eval
import os
current_path = os.getcwd()
results_path = current_path+"/results"
sub_files = os.listdir(results_path)
mAP = []
for i in range(len(sub_files)):
class_name = sub_files[i].split(".txt")[0]
rec, prec, ap = voc_eval('/home/cxx/Amusi/Object_Detection/YOLO/darknet/results/{}.txt', '/home/cxx/Amusi/Object_Detection/YOLO/darknet/datasets/pjreddie-VOC/VOCdevkit/VOC2007/Annotations/{}.xml', '/home/cxx/Amusi/Object_Detection/YOLO/darknet/datasets/pjreddie-VOC/VOCdevkit/VOC2007/ImageSets/Main/test.txt', class_name, '.')
print("{} :\t {} ".format(class_name, ap))
mAP.append(ap)
mAP = tuple(mAP)
print("***************************")
print("mAP :\t {}".format( float( sum(mAP)/len(mAP)) )) 注意，上述代码中的ap就是针对输入单一类别计算出的AP。
最终结果如下图所示：
YOLOv3对VOC进行测试，其mAP为82.29。
注：不知道上述计算方式规不规范，因为此时的mAP还挺高的。