基于预训练Faster RCNN自定义数据集，如何按类别统计输出图像标签数量

要实现这个需求，你可以在项目的推理脚本里添加简单的统计逻辑，具体操作如下：

1. 初始化类别计数字典 #

先定义一个字典，用来存储每个类别的检测次数。如果项目的configs文件里已经有你的自定义类别列表CLASSES，直接调用即可：

from configs import CLASSES
class_count = {cls: 0 for cls in CLASSES}

如果没有预定义的类别列表，就手动写出你的数据集类别：

CLASSES = ["类别1", "类别2", "类别3"]  # 替换成你数据集的实际类别

2. 在推理循环里更新计数 #

找到脚本中处理单张图像检测结果的代码段，解析模型输出的类别标签，同步更新字典里的计数：

# 假设模型输出为outputs，每个output包含labels字段存储类别索引
for output in outputs:
    # 将标签转到CPU并转为numpy数组方便处理
    labels = output['labels'].cpu().numpy()
    for label_idx in labels:
        # 注意：部分Faster RCNN实现中背景是索引0，类别从1开始，此时需改为label_idx - 1
        class_name = CLASSES[label_idx]
        class_count[class_name] += 1

3. 输出统计结果 #

等所有图像推理完成后，打印统计结果即可：

print("各类别检测标签数量统计：")
for cls, count in class_count.items():
    print(f"{cls}: {count}")

适配项目细节 #

如果项目使用的是predict.py或其他推理脚本，逻辑完全通用——找到处理检测结果的代码块，插入上述统计逻辑即可。另外要注意标签索引和类别列表的对应关系，避免索引错位。

内容的提问来源于stack exchange，提问作者HzHzzz