YOLO v3曲线可视化

第一，在进行训练时进行日志保存，保存在darknet目录下。代码如下：

保证在训练过程中生成train_yolov3.log文件，方便后续进行使用（注意：本人是在python2环境下运行）

第二，使用extract_log.py格式化Log文件，代码如下

链接：https://pan.baidu.com/s/1ksEy037rU6MhpmPBnzEqjg 
提取码：h8lv

 

运行后，log文件解析出来两个.txt文件（train_log_loss.txt; train_log_iou.txt)

第三,使用train_loss_visualization.py脚本绘制loss曲线，代码如下

链接：https://pan.baidu.com/s/1at1QJzeCjePNDpbdVhudTQ 
提取码：x16f

第四，使用train_iou_visualization.py可视化iou曲线，代码如下：

链接：https://pan.baidu.com/s/1SfFw54dElk7wo4ySCqCpjQ 
提取码：yack

第五，mAP的计算

           1.使用代码生成检测结果文件：

./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights -out person.txt -gpu 0 -thresh .5

(这里person.txt是我的训练分类，我只训练了person 这一类）

           2.将faster-rcnn/lib/datasets/voc_eval.py考到darknet目录下，之后在自己新建一个compute_mAP.py文件（如果没有voc_eval.py，下边我提供了百度云，ke'y可以直接去下载）

链接：https://pan.baidu.com/s/1Hg7ibv_Wqnu_IKE2TwqWiw 
提取码：0ij3（voc_eval.py)

链接：https://pan.baidu.com/s/1kqLQ3sjLncA3eHwOWsH3-A 
提取码：sweu(compute_mAP.py)

compute_mAP.py 根据自己的路径进行修改即可

          3.运行compute_mAP.py即可