MaskRCNN模型测试：提取AP/AR并绘制Precision-recall曲线问询

一、AP/AR的存储位置 #

在coco_eval.py的COCOeval类中，所有评估相关的计算结果都存在成员变量self.eval里，核心数据结构如下：

• self.eval['precision']：多维数组，形状为[T, R, K, A, M]，各维度含义：
  • T：IoU阈值（默认是0.5到0.95，步长0.05，共10个取值）
  • R：Recall阈值（0到1，步长0.01，共101个取值）
  • K：数据集的类别总数
  • A：目标尺寸难度（0=所有尺寸，1=小目标，2=中目标，3=大目标）
  • M：任务类型（0=边界框检测，1=掩码分割，对应MaskRCNN的两个任务）
• self.eval['recall']：多维数组，形状为[T, K, A, M]，存储不同IoU、类别、难度下的最大Recall值。

二、计算逻辑的位置 #

summarize()方法只是负责从已计算好的结果中提取统计值并打印，真正的AP/AR计算逻辑在这两个方法里：

1. evaluate()：逐个样本比对预测结果与标注数据，生成初始的匹配对和未匹配数据。
2. accumulate()：对所有样本的匹配结果进行累积统计，计算不同IoU、类别、难度下的Precision和Recall数值，最终填充到self.eval['precision']和self.eval['recall']中。

三、提取数据并绘制Precision-Recall曲线 #

假设你已经完成评估流程（调用过coco_eval.evaluate()和coco_eval.accumulate()），可以按以下步骤操作：

1. 提取单类别、单IoU的PR曲线数据 #

比如提取IoU=0.5、全尺寸、边界框任务下，类别索引为0的PR数据：

import numpy as np

# 假设coco_eval是已完成累积计算的COCOeval实例
iou_idx = 0  # 对应IoU=0.5（默认IoU列表索引0为0.5）
cat_idx = 0  # 目标类别索引
area_idx = 0  # 0代表所有尺寸目标
task_idx = 0  # 0=边界框，1=掩码分割

# 获取Precision数组：长度101，对应Recall从0到1的每个步长值
precision = coco_eval.eval['precision'][iou_idx, :, cat_idx, area_idx, task_idx]
# 生成对应的Recall数组：0到1，步长0.01
recall = np.linspace(0, 1, 101)

2. 绘制PR曲线 #

用matplotlib实现：

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 6))
plt.plot(recall, precision, label=f'Class {cat_idx}, IoU=0.5')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall Curve')
plt.legend()
plt.grid(True)
plt.show()

3. 提取AP值 #

AP是Precision在Recall区间上的平均（或积分），可以直接从已计算的数组中提取：

# 提取对应条件下的AP值，和summarize打印结果一致
ap = coco_eval.eval['precision'][iou_idx, :, cat_idx, area_idx, task_idx].mean()

如果需要掩码分割任务的结果，只需将task_idx改为1；要针对特定尺寸目标，调整area_idx为1/2/3即可。

内容的提问来源于stack exchange，提问作者Leon