yolo-v3模型测试及测试结果转化

文章目录

yolo-v3模型测试及测试结果转化
- 1.制作2019_test.txt文件
- 2. 修改./darknet/cfg/voc.data文件
- 3. 修改./darknet/cfg/yolov3-voc.cfg文件
- 4. 执行测试语句
- 5. 转换预测结果格式

训练完成生成模型后，进行模型测试。对测试集数据进行检测，得到检测结果

1.制作2019_test.txt文件

像制作训练集时生产2019_train.txt（文件内容为包含所有训练图片的路径和文件名）一样，制作2019_test.txt文件（文件内容为包含所有测试图片的路径和文件名）。

采用以下程序来生成测试集的 test.txt 文件，其中包含每个测试样本的路径和文件名，注意此处包含后缀

# coding=utf-8
import os
from os import listdir, getcwd
from os.path import join
if __name__ == '__main__':  # 只有在文件作为脚本文件直接执行时才执行下面代码source_folder='Your Path' #图片保存的路径dest='Your Path/test.txt' #写有图片的名字的路径file_list=os.listdir(source_folder)#获取各图片的名称       test_file=open(dest,'a')    #追加写打开              count = 0              for file_obj in file_list:  count += 1                file_path=os.path.join(source_folder,file_obj) #路径拼接  指向 图片文件的路径# file_name,file_extend=os.path.splitext(file_path) #分离文件名与扩展名 file_name为去掉扩展名的图片名称 test_file.write(file_path+'\n')  #写入去掉扩展名的文件名名称test_file.close() #关闭文件

然后在该.py文件的路径下，执行如下命令：

python create_test_txt.py

2. 修改./darknet/cfg/voc.data文件

修改./cfg/voc.data文件中的valid部分，将其设置为第1步中生成的test.txt路径。

classes= # 不用改
train  = # 不用改
valid  = /Your Path/test.txt
names = # 不用改
backup = # 不用改`在这里插入代码片`

3. 修改./darknet/cfg/yolov3-voc.cfg文件

将测试模式打开，将训练模式关闭，如下：

[net]
# Testing
batch=1
subdivisions=1
# Training
# batch=64
# subdivisions=16

4. 执行测试语句

在命令窗口的./darknet路径下，执行以下语句：

./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights

执行完毕之后会在./darknet/result/ 路径下生成若干个txt文件(个数和类别数一致)，名称为comp4_det_test_[class_name].txt，这便是预测结果文件。

5. 转换预测结果格式

通常我们希望预测结果保存在一个个以图片名称为名字的txt文件中，例如，我所期望的文件格式如下：

那么我们可以使用如下程序进行格式转换：
注意：
1）需要将第4步生成的若干个txt文件重命名为：类名.txt
2）将这些类名.txt统一放到一个空文件夹下，即下面程序中的 ‘Your Path\raw_txt’
3）创建一个用来存放转换后txt文件的文件夹，即下面程序中的 ‘Your Path\converted_txt’

import osdef creat_mapping_dic(result_txt, threshold=0.0):  # 设置一个阈值，用来删掉置信度低的预测框信息mapping_dic = {}  # 创建一个字典，用来存放信息txt = open(result_txt, 'r').readlines()  # 按行读取TXT文件for info in txt:  # 提取每一行info = info.split()  # 将每一行（每个预测框）的信息切分开photo_name = info[0]  # 图片名称probably = float(info[1])  # 当前预测框的置信度if probably < threshold:continueelse:xmin = int(float(info[2]))ymin = int(float(info[3]))xmax = int(float(info[4]))ymax = int(float(info[5]))position = [xmin, ymin, xmax, ymax]if photo_name not in mapping_dic:  # mapping_dic的每个元素的key值为图片名称，value为一个二维list，其中存放当前图片的若干个预测框的位置mapping_dic[photo_name] = []mapping_dic[photo_name].append(position)return mapping_dicdef creat_result_txt(raw_txt_path, target_path, threshold=0.0):  # raw_txt_path为yolo按类输出的TXT的路径 target_path 为转换后的TXT存放路径all_files = os.listdir(raw_txt_path)  # 获取所以的原始txtfor each_file in all_files:  # 遍历所有的原始txt文件，each_file为一个文件名，例如‘car.txt’each_file_path = os.path.join(raw_txt_path, each_file)  # 获取当前txt的路径map_dic = creat_mapping_dic(each_file_path, threshold=threshold)  # 对当前txt生成map_dicfor each_map in map_dic:  # 遍历当前存放信息的字典target_txt = each_map + '.txt'  # 生成目标txt文件名target_txt_path = os.path.join(target_path, target_txt)  # 生成目标txt路径if target_txt not in os.listdir(target_path):txt_write = open(target_txt_path, 'w')  # 如果目标路径下没有这个目标txt文件，则创建它,即模式设置为“覆盖”else:txt_write = open(target_txt_path, 'a')  # 如果目标路径下有这个目标txt文件，则将模式设置为“追加”class_name = each_file[:-4]  # 获取当前原始txt的类名txt_write.write(class_name)  # 对目标txt写入类名txt_write.write('\n')  # 换行for info in map_dic[each_map]:  # 遍历某张图片的所有预测框信息txt_write.write(str(info[0]) + ' ' + str(info[1]) +' ' + str(info[2]) + ' ' + str(info[3]) + ' ')  # 写入预测框信息txt_write.write('\n')  # 换行creat_result_txt('Your Path\\raw_txt','Your Path\converted_txt',threshold=0.1)

运行完毕后，在Your Path\converted_txt文件夹中会产生每个图片对应得检测结果

至此完成了基于yolo-v3 针对自己数据集得检测与测试结果转化。