新手求助：如何为YOLOv4目标检测模型计算mAP、F1分数及混淆矩阵？

一、准备评估数据集 #

• 确保验证集包含图片文件和对应的YOLO格式标注文件：每个图片对应一个同名.txt文件，每行格式为class_id x_center y_center width height（坐标已归一化）。
• 将验证集放在指定目录（如data/validation），并在data/classes.txt中按顺序列出所有类别名称。

二、调整仓库配置参数 #

打开core/config.py，修改以下关键配置：

• 设置TEST_PATH为你的验证集路径；
• 确保CLASSES指向正确的classes.txt文件；
• 根据GPU显存调整BATCH_SIZE（推荐8或16）；
• 设定CONF_THRESH（如0.5，过滤低置信度检测框）和IOU_THRESH（如0.5，用于NMS和指标计算）。

三、计算mAP（平均精度均值） #

步骤1：导出模型检测结果 #

修改或编写脚本，遍历验证集图片，将检测结果保存为YOLO格式的.txt文件（存放在detections/目录）：

import cv2
from core.yolov4 import YOLOv4
from core.utils import load_class_names

# 初始化模型
class_names = load_class_names("data/classes.txt")
yolo = YOLOv4(weights="data/yolov4.weights", class_names=class_names, gpu=True)

# 遍历验证集图片
validation_img_paths = ["data/validation/img1.jpg", "data/validation/img2.jpg"]  # 替换为你的图片路径列表
for img_path in validation_img_paths:
    img = cv2.imread(img_path)
    img_h, img_w = img.shape[:2]
    # 执行检测
    detections = yolo.detect(img, conf_thresh=0.5, iou_thresh=0.5)
    # 保存检测结果
    det_txt_path = f"detections/{img_path.split('/')[-1].replace('.jpg', '.txt')}"
    with open(det_txt_path, "w") as f:
        for det in detections:
            class_id = det["class_id"]
            x, y, w, h = det["bbox"]
            # 转换为YOLO归一化格式
            x_center = (x + w/2) / img_w
            y_center = (y + h/2) / img_h
            width = w / img_w
            height = h / img_h
            f.write(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")

步骤2：计算mAP #

使用YOLO标准mAP计算逻辑：

1. 对每个类别，遍历所有标注框和检测框，按置信度排序检测框；
2. 逐个匹配检测框与标注框（IOU>阈值则视为正确），统计TP（真阳性）、FP（假阳性）；
3. 计算每个类别的Precision-Recall曲线，通过曲线下面积得到AP；
4. 所有类别的AP取平均值即为mAP。

可以直接复用仓库中自带的calculate_map.py（若存在），或基于上述逻辑编写脚本。

四、计算F1分数 #

F1分数是精确率（Precision）和召回率（Recall）的调和均值，公式为：F1 = 2*(Precision*Recall)/(Precision+Recall)

统计核心指标 #

• TP：检测框与标注框IOU>阈值且类别匹配；
• FP：无对应标注框的检测框，或类别不匹配的检测框；
• FN：未被检测到的标注框；

基于这些指标计算：

# 假设已统计得到全局TP、FP、FN
precision = TP / (TP + FP) if (TP + FP) > 0 else 0
recall = TP / (TP + FN) if (TP + FN) > 0 else 0
f1_score = 2 * (precision * recall) / (precision + recall) if (precision + recall) > 0 else 0
print(f"F1 Score: {f1_score:.4f}")

五、生成混淆矩阵 #

混淆矩阵用于展示真实类别与预测类别的匹配情况，可借助sklearn实现：

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import os

true_labels = []
pred_labels = []
class_names = load_class_names("data/classes.txt")

# 收集真实标签和预测标签
for img_path in validation_img_paths:
    # 读取真实标签
    label_path = img_path.replace(".jpg", ".txt")
    if os.path.exists(label_path):
        with open(label_path, "r") as f:
            for line in f:
                true_labels.append(int(line.split()[0]))
    # 读取预测标签
    det_path = f"detections/{img_path.split('/')[-1].replace('.jpg', '.txt')}"
    if os.path.exists(det_path):
        with open(det_path, "r") as f:
            for line in f:
                pred_labels.append(int(line.split()[0]))
    # 补充FN：未被检测到的真实标签（需额外逻辑匹配，示例简化处理）

# 生成混淆矩阵
cm = confusion_matrix(true_labels, pred_labels, labels=range(len(class_names)))

# 可视化混淆矩阵
plt.figure(figsize=(12, 10))
plt.imshow(cm, interpolation="nearest", cmap=plt.cm.Blues)
plt.title("Confusion Matrix")
plt.colorbar()
tick_marks = range(len(class_names))
plt.xticks(tick_marks, class_names, rotation=45)
plt.yticks(tick_marks, class_names)
plt.xlabel("Predicted Class")
plt.ylabel("True Class")
plt.savefig("confusion_matrix.png")
plt.show()

六、注意事项 #

• 验证集标注格式必须严格符合YOLO要求，避免坐标未归一化、类别ID错误等问题；
• CONF_THRESH和IOU_THRESH的取值会直接影响所有指标结果，建议根据任务需求多次调试；
• 若GPU显存不足，可减小BATCH_SIZE或降低输入图片分辨率；
• 优先查看仓库自带的评估脚本（如eval.py），部分逻辑已封装，可直接调用。

内容的提问来源于stack exchange，提问作者Shaik