YOLO-V5 系列算法和代码解析（七）—— 【val.py】指标评估

调试设置

1. Debug 设置

   {
       // 使用 IntelliSense 了解相关属性。 
       // 悬停以查看现有属性的描述。
       // 欲了解更多信息，请访问: https://go.microsoft.com/fwlink/?linkid=830387
       "version": "0.2.0",
       "configurations": [
               {
   	            "name": "Python: Current File",
   	            "type": "python",
   	            "request": "launch",
   	            "program": "val.py",
   	            "console": "integratedTerminal",
   	            "justMyCode": true,
   	            "args":["--data", "coco128.yaml",
                       	"--workers", "0",
                       	"--batch-size", "1"]
           	}
            ]
   }
   

   其它参数则是使用默认，其中 【–workers=0】表示仅仅使用主线程读取数据。那么调试过程中，每次读取的数据是同一个数据，便于打印关键变量的变化。

2. 调试数据
   使用的是【coco.yaml】数据， 图片【000000000308.jpg】，总共有4类，13个目标框，如下图所示，
   

前置知识

  理解mAP的计算过程，有一些基本的概念和专业术语需要弄清楚。参考博客链接：指标评估 —— AP & mAP 详细解读.

整体结构

指标评估主要涉及两个脚本文件，【val.py】：指标评估的主要流程控制；【metrics.py】：核心功能的具体代码实现，比如AP，mAP的计算过程，PR曲线的绘制等。

1. 脚本【val.py】的大致结构如下，

   def save_one_txt(predn, save_conf, shape, file):
   	# save txt
   
   def save_one_json(predn, jdict, path, class_map):
   	# Save one JSON result {"image_id": 42, 
   	#						"category_id": 18, 
   	#						"bbox": [258.15, 41.29, 348.26, 243.78], 
   	#						"score": 0.236}
   
   def process_batch(detections, labels, iouv):
       """
       Return correct predictions matrix. Both sets of boxes are in (x1, y1, x2, y2) format.
       Arguments:
           detections (Array[N, 6]), x1, y1, x2, y2, conf, class
           labels (Array[M, 5]), class, x1, y1, x2, y2
       Returns:
           correct (Array[N, 10]), for 10 IoU levels
       """
       # 计算指标的关键函数之一
       # iou：[0.5:0.95]，10个不同的iou阈值下，计算标签与预测的匹配结果，存于矩阵，标记是否预测正确
       
   @torch.no_grad()
   def run(
           data,
           weights=None,  # model.pt path(s)
           batch_size=32,  # batch size
           imgsz=640,  # inference size (pixels)
           conf_thres=0.001,  # confidence threshold
           iou_thres=0.6,  # NMS IoU threshold
           task='val',  # train, val, test, speed or study
           device='',  # cuda device, i.e. 0 or 0,1,2,3 or cpu
           workers=8,  # max dataloader workers (per RANK in DDP mode)
           ...
           ...
   ):
   	"""
   	# 函数run()的处理流程如下：
   		1. 加载模型；
   		2. 加载数据；
   		3. 网络预测，NMS处理；
   		4. 计算AP，mAP；
   		5. 绘制指标图；
   		6. 保存结果；
   	"""
   
   def parse_opt():
   	# 运行相关参数定义
   
   def main(opt):
   	# 入口函数
   	run(**vars(opt))
   	
   if __name__ == "__main__":
       opt = parse_opt()
       main(opt)
   
   

2. 脚本【metric.py】的大致结构如下，
   包含核心的功能实现代码

   def ap_per_class(tp, conf, pred_cls, target_cls, plot=False, save_dir='.', names=(), eps=1e-16):
       """ Compute the average precision, given the recall and precision curves.
       Source: https://github.com/rafaelpadilla/Object-Detection-Metrics.
       # Arguments
           tp:  True positives (nparray, nx1 or nx10).
           conf:  Objectness value from 0-1 (nparray).
           pred_cls:  Predicted object classes (nparray).
           target_cls:  True object classes (nparray).
           plot:  Plot precision-recall curve at [email protected]
           save_dir:  Plot save directory
       # Returns
           The average precision as computed in py-faster-rcnn.
       """
       # 计算AP，F1，Presion，Recall，绘制指标图
       
   def compute_ap(recall, precision):
       """ Compute the average precision, given the recall and precision curves
       # Arguments
           recall:    The recall curve (list)
           precision: The precision curve (list)
       # Returns
           Average precision, precision curve, recall curve
       """
       # 根据PR曲线，计算每一类的AP值
       # 两种方法：插值101点或者连续点计算曲线下方的面积
       
   class ConfusionMatrix:
       # Updated version of https://github.com/kaanakan/object_detection_confusion_matrix
       def __init__(self, nc, conf=0.25, iou_thres=0.45):
           self.matrix = np.zeros((nc + 1, nc + 1))
           self.nc = nc  # number of classes
           self.conf = conf
           self.iou_thres = iou_thres
   	# 计算混淆矩阵
   
   def bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-7):
   	# Returns Intersection over Union (IoU) of box1(1,4) to box2(n,4)
   
   def plot_pr_curve(px, py, ap, save_dir=Path('pr_curve.png'), names=()):
   	# 绘制PR曲线
   	
   

核心函数

1. process_batch

   函数作用：为计算AP，mAP作准备。
   基本思想：在一组不同的IOU阈值下，标记每一个预测框是正确预测，还是错误预测，正确标记为True，错误标记为False，标记结果存于【correct】矩阵。经过NMS处理后，存在预测框和标签框不是一一对应的关系，为了后续计算mAP，需要保证一个标签框对应一个预测框。
   去除重复框：当一个预测框对应多个标签框时，需要根据iou值的大小，最大iou值的框标记为正确预测，其它iou值的重复预测框均为错误预测；当一个标签框对应多个预测框时，根据置信度分数筛选，置信度最大的预测框为正确预测，其它置信度分数的则为错误预测。

   该函数的基本流程如下：
    （1）初始化返回矩阵 correct，shape=[num_predicts,10]，num_predicts：网络预测的框经过NMS处理后剩下的数量；10：10个不同的iou阈值；
    （2）计算所有预测框和真实框两两之间的交并比值，形状[num_gt, num_predicts]；
    （3）标记正确预测的类别，存于correct_class，形状[num_gt, num_predicts]；
    （4）循环每一个iou阈值，并计算该iou值下的正确预测的框，循环处理流程为（5）-（9）；
    （5）筛选出类别预测正确，并且iou大于阈值的框，返回索引，存于x；
    （6）x不为空的情况下，将标签框的id，预测框的id，以及对应的iou值组合为新的矩阵，存于matches；
    （7）对IOU进行从大到小进行排序，进而对matches进行排序；
    （8）去除重复的预测框和真实框，保证预测框和预测框一一对应；
    （9）将新的matches[:,1]取出，更新correct相应位置为True；
   返回Tensor的解释：
     correct：[num_detections, 10]，正确预测框被标记为True；每一列对应不同的iou阈值下，预测框的正确与否；每一行标记类别预测正确，且iou最大的框的id为true，其它为false；
   一些问题，思考：
    （1）为何要根据iou对 matches进行排序？保留最大的iou预测框。
    （2）为何要去除matches中重复的预测框和真实框？一个真实框只能有一个正确的预测框。

   def process_batch(detections, labels, iouv):
       """
       Return correct predictions matrix. Both sets of boxes are in (x1, y1, x2, y2) format.
       Arguments:
           detections (Array[N, 6]), x1, y1, x2, y2, conf, class
           labels (Array[M, 5]), class, x1, y1, x2, y2
       Returns:
           correct (Array[N, 10]), for 10 IoU levels
       """
       # detections：[300,6]，iouv:[10]=[0.5,0.55,0.60,0.65,0.70,0.75,0.80,0.85,0.90,0.95]
       # labels: [13,5]
       # correct: [300,10],每一列表示一个iou阈值下，该检测框是否为正样本；
       # 300：表示预测框经过NMS处理后剩下的数量，10：iou阈值的数量
       # 是：true；否：false
       correct = np.zeros((detections.shape[0], iouv.shape[0])).astype(bool)
       
       # 两两计算预测框和真实框的IOU值, 得到iou: [13,300]
       # 矩阵的每一个位置：记录每一个标签框与预测框的IOU值
       iou = box_iou(labels[:, 1:], detections[:, :4]) 
       
       # 标记正确预测的类别，correct_class=[13,300]
       # 该矩阵的每一个位置：记录预测框是否与标签框的类别一致
       correct_class = labels[:, 0:1] == detections[:, 5]
       
       # iouv: [0.5:0.05:0.95],计算每一个iou下的正确预测的情况
       for i in range(len(iouv)):  
       	# x: i=0, len(x)=2,
           # x[0]：true的行索引，len(x[0])=26,表示有26个位置iou既大于阈值，且类别预测正确
           # x[1]：true的列索引，
           x = torch.where((iou >= iouv[i]) & correct_class)  # IoU > threshold and classes match
   
           if x[0].shape[0]:
           	# matches: [26,3],存储当前iou阈值下，预测的情况
               # matches[:,0]: 标签框的id索引
               # matches[:,1]: 预测框的id索引
               # matches[:,2]: iou的具体值
               matches = torch.cat((torch.stack(x, 1), iou[x[0], x[1]][:, None]), 1).cpu().numpy()  # [label, detect, iou]
   
               if x[0].shape[0] > 1:
               	# 根据iou值对matches进行从大到小排序
                   matches = matches[matches[:, 2].argsort()[::-1]]  
                   
                   # 含义：每一个预测框只能出现一次，如果一个预测框(表现为matches[:, 1]相同的数值)与多个gt的iou大于阈值，则保留iou最大的一个
               	# 去除重复的检测框id,保留重复id中最大iou的id，留下一个最大的iou框
                   matches = matches[np.unique(matches[:, 1], return_index=True)[1]]  
                   
                   # matches = matches[matches[:, 2].argsort()[::-1]]
                   
               	# 含义：一个gt不能对应多个预测框；此时的matche[:,1]已经从小到大进行排序(在NMS阶段，得分高的id小)，
               	# 此时按照matches[:,0]进行排序的过程中，会去除重复的标签id；实际上，结合已经排序的matches[:,1]，
               	# 所以是根据置信度分数去除重复的标签id，置信度最高的保留
                   matches = matches[np.unique(matches[:, 0], return_index=True)[1]]  
   
               # 每一列标记iou=0.5，..., 0.95 保留下来的检测框为True
               # # matches[:,1]: 预测框的id索引
               correct[matches[:, 1].astype(int), i] = True  
               
       return torch.tensor(correct, dtype=torch.bool, device=iouv.device)
   

2. ap_per_class

   函数的基本处理流程如下：
   （1）对置信度进行从大到小排序；
   （2）循环标签中不重复类别，单独处理每一类别；
   （3）计算TPs，FPs；
   （4）计算每一类别在不同IOU阈值下的AP值；
   （5）计算F1值；

   def ap_per_class(tp, conf, pred_cls, target_cls, plot=False, save_dir='.', names=(), eps=1e-16):
       """ Compute the average precision, given the recall and precision curves.
       Source: https://github.com/rafaelpadilla/Object-Detection-Metrics.
       # Arguments
           tp:  True positives (nparray, nx1 or nx10).
           conf:  Objectness value from 0-1 (nparray).
           pred_cls:  Predicted object classes (nparray).
           target_cls:  True object classes (nparray).
           plot:  Plot precision-recall curve at [email protected]
           save_dir:  Plot save directory
       # Returns
           The average precision as computed in py-faster-rcnn.
       """
       # tp: [300,10]，每一个iou值下，正确预测样本标记为True，否则为False
       # conf: [300]，置信度
       # pred_cls: [300], 预测类别 
       # target_cls: [13]
       
       # Sort by objectness
       i = np.argsort(-conf)
       
       # 根据i(置信度分数从大到小的索引)对tp的每一列，conf，pred_cls重新排序
       tp, conf, pred_cls = tp[i], conf[i], pred_cls[i]  
   
       # Find unique classes
       # 统计标签中不重复类别的数量以及每一类别的数量
       unique_classes, nt = np.unique(target_cls, return_counts=True)
       nc = unique_classes.shape[0]  # number of classes, number of detections
   	
   	# Create Precision-Recall curve and compute AP for each class
       px, py = np.linspace(0, 1, 1000), []  # for plotting
       # ap:记录每一类，不同iou下的ap值，p，r:存储pr值
       ap, p, r = np.zeros((nc, tp.shape[1])), np.zeros((nc, 1000)), np.zeros((nc, 1000))
   
   	# 循环取出标签框中的每一类别
       for ci, c in enumerate(unique_classes): 
           i = pred_cls == c  # 找到预测框中类别为c的位置，标记为True
           n_l = nt[ci]  # number of labels，标签中类别为c的数量 
           n_p = i.sum()  # number of predictions，标记为true的预测框数量
           if n_p == 0 or n_l == 0:  # 空标签或者空的预测值，不处理
               continue
           
           # Accumulate FPs and TPs
           # 累积TP和FP数量，用于计算 precision
           # tp[i]:取出tp中类别为c的类别的框，[48,10]有48个框预测为类别c
           # .cumsum(0) 用于计算Accumulate TPs
           fpc = (1 - tp[i]).cumsum(0)
           tpc = tp[i].cumsum(0)
   
           # Recall
           # 召回计算：recall = tp/all_groudtruths，recall:[num_valid_box,10]
           recall = tpc / (n_l + eps)  # recall curve
           # 插值新的点列[-px], -conf[i]:置信度分数，原插值点横坐标，recall[:, 0]：iou=0.5时的召回率值
           r[ci] = np.interp(-px, -conf[i], recall[:, 0], left=0)  # negative x,xp because xp decreases
   
   		# Precision
           # 精确度：precision = tp/(tp+fp)
           precision = tpc / (tpc + fpc)  # precision curve
           # 与召回率类似，取iou=0.5
           p[ci] = np.interp(-px, -conf[i], precision[:, 0], left=1)  # p at pr_score
   
   		# AP from recall-precision curve
   		# 循环处理当前类别下，每一个iou值的所有类的ap计算
   		# ci:真实标签类别id，j：列索引，每一列表示一个iou值
           for j in range(tp.shape[1]):
               ap[ci, j], mpre, mrec = compute_ap(recall[:, j], precision[:, j])
               # 只绘制 iou=0.5的PR-curve图
               if plot and j == 0:  
                   py.append(np.interp(px, mrec, mpre))  # precision at [email protected]
       
       # Compute F1 (harmonic mean of precision and recall)
       f1 = 2 * p * r / (p + r + eps)
       names = [v for k, v in names.items() if k in unique_classes]  # list: only classes that have data
       names = dict(enumerate(names))  # to dict
   
   	if plot:
           plot_pr_curve(px, py, ap, Path(save_dir) / 'PR_curve.png', names)
           plot_mc_curve(px, f1, Path(save_dir) / 'F1_curve.png', names, ylabel='F1')
           plot_mc_curve(px, p, Path(save_dir) / 'P_curve.png', names, ylabel='Precision')
           plot_mc_curve(px, r, Path(save_dir) / 'R_curve.png', names, ylabel='Recall')
       
       # 
       i = smooth(f1.mean(0), 0.1).argmax()  # max F1 index
       p, r, f1 = p[:, i], r[:, i], f1[:, i]
       tp = (r * nt).round()  # true positives
       fp = (tp / (p + eps) - tp).round()  # false positives
       return tp, fp, p, r, f1, ap, unique_classes.astype(int)
   

   给定单个PR序列值，计算PR-曲线下的面积，也即是当前类别下的【ap】值，代码如下：

   def compute_ap(recall, precision):
       """ Compute the average precision, given the recall and precision curves
       # Arguments
           recall:    The recall curve (list)
           precision: The precision curve (list)
       # Returns
           Average precision, precision curve, recall curve
       """
       # recall：固定单个类别和iou值下的序列
       # precision：固定单个类别和iou值下的序列
       
       # Append sentinel values to beginning and end
       # 闭合区间
       # mrec: ap曲线的横坐标
       # mrpe: ap曲线的纵坐标
       mrec = np.concatenate(([0.0], recall, [1.0]))
       mpre = np.concatenate(([1.0], precision, [0.0]))
   
       # Compute the precision envelope
       # 将P曲线变为单调序列？？？
       mpre = np.flip(np.maximum.accumulate(np.flip(mpre)))
   
   	# Integrate area under curve
   	# 计算PR曲线下面积的两种方法：插值法（11点和101点）和连续法
       method = 'interp'  # methods: 'continuous', 'interp'
       if method == 'interp':
           x = np.linspace(0, 1, 101)  # 101-point interp (COCO)
           ap = np.trapz(np.interp(x, mrec, mpre), x)  # integrate
       else:  # 'continuous'
           i = np.where(mrec[1:] != mrec[:-1])[0]  # points where x axis (recall) changes
           ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])  # area under curve
       
       return ap, mpre, mrec