如何仅在一个特定类上评估Tensorflow对象检测API？

我已经从Tensorflow对象检测API

faster\u rcnn\u inception\u resnet\u v2\u atrus\u coco

培训了大约10个类的对象检测模型。当我运行

model_main.py

文件来评估模型时，它似乎只给出所有10个类的平均精度（AP）和平均召回率（AR），如下所示：

Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.331
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.479
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.395
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.600
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.407
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.333
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.358
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.544
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.548
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.600
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.545
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.551

---

但是，如果我只想评估一个特定类的性能，而不是所有30个检测到的类，我应该怎么做

在检测后，添加以下代码以过滤感兴趣的对象-

---

---

---

在检测后，添加以下代码以过滤感兴趣的对象-

---

---

---

迟做总比不做好-发帖

1。使用不同的评估配置

只需将模型的

*.config

文件中的

metrics\u set

值更改为

“pascal\u voc\u detection\u metrics”

TensorFlow对象检测API支持各种评估指标，详见文档。PASCAL VOC 2010检测指标给出了每个类别的AP分数

2。编辑pycocotools包中的

cococoeval.py

文件

---

此方法包括将8行代码粘贴到

cocoeval.py

文件中。这篇文章有很好的解释和记录。

迟发总比不发好

1。使用不同的评估配置

只需将模型的

*.config

文件中的

metrics\u set

值更改为

“pascal\u voc\u detection\u metrics”

TensorFlow对象检测API支持各种评估指标，详见文档。PASCAL VOC 2010检测指标给出了每个类别的AP分数

2。编辑pycocotools包中的

cococoeval.py

文件

---

此方法包括将8行代码粘贴到

cocoeval.py

文件中。这篇文章有很好的解释和记录。

我的意思是评估，而不是展示。我认为它在

model_main.py

或

model_lib.py

中，但我不知道如何修改它们以仅对1个类进行评估。如果模型检测中的类数发生变化，则需要创建具有相同类数的数据集，并相应地训练模型。查看此链接，了解有关如何创建自己的数据集的更多信息-我的意思是评估，而不是显示。我认为它在

model_main.py

或

model_lib.py

中，但我不知道如何修改它们以仅对1个类进行评估。如果模型检测中的类数发生变化，则需要创建具有相同类数的数据集，并相应地训练模型。有关如何创建自己的数据集的更多信息，请查看此链接-

objectOfInterest = 1  # Interested object class number as per label file 
box = np.asarray(boxes)
cls = np.asarray(classes).astype(np.int32)
scr = np.asarray(scores)
bl = (cls == objectOfInterest) 
classes = np.extract(boolar,cls)
scores = np.extract(boolar,scr)
boxes = np.extract(boolar,box)