TensorFlow 对象检测评估答案

【问题标题】：Tensorflow object detection evaluationTensorFlow 对象检测评估
【发布时间】：2018-08-07 10:40:19
【问题描述】：

我喜欢使用 mAP（平均精度）评估我的对象检测模型。在https://github.com/tensorflow/models/tree/master/research/object_detection/utils/ 中有我想使用的 object_detection_evaluation.py。

我将以下内容用于groundtruth 框：

pascal_evaluator = object_detection_evaluation.PascalDetectionEvaluator(
    categories, matching_iou_threshold=0.1)

groundtruth_boxes = np.array([[10, 10, 11, 11]], dtype=float)
groundtruth_class_labels = np.array([1], dtype=int)

groundtruth_is_difficult_list = np.array([False], dtype=bool)

pascal_evaluator.add_single_ground_truth_image_info(
    'img2',
    {
        standard_fields.InputDataFields.groundtruth_boxes: groundtruth_boxes,
        standard_fields.InputDataFields.groundtruth_classes: groundtruth_class_labels,
        standard_fields.InputDataFields.groundtruth_difficult: groundtruth_is_difficult_list
    }
)

这是预测框：

# Add detections
image_key = 'img2'
detected_boxes = np.array(
    [ [100, 100, 220, 220], [10, 10, 11, 11]],
    dtype=float)
detected_class_labels = np.array([1,1], dtype=int)
detected_scores = np.array([0.8, 0.9], dtype=float)
pascal_evaluator.add_single_detected_image_info(image_key, {
    standard_fields.DetectionResultFields.detection_boxes:
        detected_boxes,
    standard_fields.DetectionResultFields.detection_scores:
        detected_scores,
    standard_fields.DetectionResultFields.detection_classes:
        detected_class_labels
})

我用

打印结果

metrics = pascal_evaluator.evaluate()
print(metrics)

还有我的问题：

如果我使用这个预测框[100, 100, 220, 220]，[10, 10, 11, 11]，结果是：

{'PASCAL/Precision/mAP@0.1IOU': 1.0, 'PASCAL/PerformanceByCategory/AP@0.1IOU/face': 1.0}

如果我使用[10, 10, 11, 11]，[100, 100, 220, 220]（其他Box序列）

我得到以下结果：

{'PASCAL/Precision/mAP@0.1IOU': 0.5, 'PASCAL/PerformanceByCategory/AP@0.1IOU/face'：0.5}

为什么会这样？还是bug？

干杯迈克尔

【问题讨论】：

标签： tensorflow object-detection evaluation

【解决方案1】：

虽然你不是很清楚，但我想我在你的代码中发现了错误。您提到对于不同顺序的边界框，您会得到不同的结果。这看起来很奇怪，如果是真的，那肯定是一个错误。

但是，由于我自己测试了代码，您可能没有更改边界框的相应分数 (detected_scores = np.array([0.8, 0.9], dtype=float))。但是这样你也改变了问题，而不仅仅是边界框的顺序。如果您应用正确的边界框，则 mAP 在两种情况下都保持不变：

{'PascalBoxes_Precision/mAP@0.5IOU': 1.0, 'PascalBoxes_PerformanceByCategory/AP@0.5IOU/person'：1.0}

【讨论】：