如何基于自定义数据集在YOLOv5中获取COCO指标

1. 准备依赖与文件 #

首先确保安装pycocotools库，这是计算COCO指标的核心工具：

pip install pycocotools

同时需要两个关键文件：

• 自定义数据集的验证集标注文件（如instances_val.json，COCO格式）
• 你的YOLOv5输出的prediction.json文件

2. 确认预测文件格式合规 #

prediction.json必须严格遵循COCO检测任务的结果格式，每个条目结构如下：

{"image_id": 123, "category_id": 4, "bbox": [x_min, y_min, width, height], "score": 0.85}

注意：

• bbox是左上角坐标+宽高，YOLOv5导出的预测文件默认已经做了格式转换，无需手动调整；如果是自行生成的预测结果，记得将YOLO的中心坐标+宽高格式转换为COCO格式。
• image_id要和验证集标注文件中的image_id完全对应。

3. 编写评估脚本 #

创建一个Python脚本（如coco_eval.py），用pycocotools完成指标计算：

from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOeval

# 加载真实标注和预测结果
coco_gt = COCO("path/to/your/instances_val.json")  # 替换为你的验证集标注路径
coco_dt = coco_gt.loadRes("path/to/your/prediction.json")  # 替换为你的预测文件路径

# 初始化评估器
eval = COCOeval(coco_gt, coco_dt, "bbox")
# 设置评估的图像范围（默认用所有验证集图像）
eval.params.imgIds = coco_gt.getImgIds()
# 运行评估
eval.evaluate()
eval.accumulate()
eval.summarize()

4. 运行脚本并解读结果 #

执行脚本：

python coco_eval.py

运行后会输出COCO标准的检测指标，核心指标包括：

• AP：所有IOU阈值（0.5~0.95，步长0.05）下的平均精度
• AP50：IOU=0.5时的平均精度
• AP75：IOU=0.75时的平均精度
• AP_s/AP_m/AP_l：小/中/大目标的平均精度（按面积划分）
• AR：不同IOU阈值下的平均召回率

内容的提问来源于stack exchange，提问作者user181925