记录 | pytorch计算ap的方法

假设当前经过标签数据与预测数据的加载，我们得到了下面两个变量：

• det_boxes：包含全部图像中所有类别的预测框，其中一个边框包含了[left, top, right, bottom, score, NameofImage]
• gt_boxes：包含了全部图像中所有类别的标签，其中一个标签的内容为[left, top, right, bottom, 0]。需要注意的是，最后一位0代表该标签有没有被匹配过，如果匹配过则会置1，其他预测框再去匹配则为误检框。

下面是所有类别的评测过程。

for c in classes:
  # 通过类别作为关键字，得到每个类别的预测、标签及总标签数
  dects = det_boxes[c]
  gt_class = gt_boxes[c]
  npos = num_pos[c]
  
  #利用得分作为关键字，对预测框按照得分从高到低排序
  dects = sorted(dects, key = lambda conf: conf[5], reverse = True)
  
  #设置两个与预测边框长度相同的列表，标记是True Positive还是False Positive
  TP = np.zeros(len(dects))
  FP = np.zeros(len(dects))
  
  #对某一个类别的预测框进行遍历
  for d in range(len(dets)):
    #将iou默认置为最低
    iouMax = sys.float_info.min
    #遍历与预测框同一图像中的同一类别的标签，计算iou
    if dects[d][-1] in gt_class:
      for j in range(len(gt_class[dects[d][-1]])):
        iou = Evaluator.iou(dects[d][:4], gt_class[dects[d][-1]][j][:4])
        if iou > iouMax:
          iouMax = iou
          jmax = j       #记录与预测有最大iou的标签
        #如果最大iou大于阈值，并且没有被匹配过，则赋予TP
        if iouMax >= cfg['iouThreshold']:
          if gt_class[dects[d][-1]][jmax][4] == 0:
            TP[d] = 1
            gt_class[dects[d][-1]][jmax][4] = 1   #标记为匹配过
          #如果被匹配过，赋予FP
          else:
            FP[d] = 1
        #如果最大iou没有超过阈值，赋予FP
        else;
          FP[d] = 1
      #如果对应图像中没有该类别的标签，赋予FP
      else:
        FP[d] = 1
    #利用NumPy的cumsum()函数，计算累计的FP与TP
    acc_FP = np.cumsum(FP)
    acc_TP = np.cumsum(TP)
    rec = acc_TP / npos    #得到每个点的Recall
    prec = np.divide(acc_TP, (acc_FP + acc_TP))    #得到每个点的Precision
    #利用Recall与Precision进一步计算得到AP
    [ap, mpre, mrec, ii] = Evaluator.CalculateAveragePrecision(rec, prec)