一、tensorflow提供的evaluation

该链接中详细介绍了如何针对Open Images dataset数据集进行inference和evaluation，按照此教程，在models/research目录下新建oid文件夹，并将数据集以及验证集下载并放在此文件夹下。后续可能不会用到，待删除。

tensorflow提供的官方detection demo可参考：https://github.com/tensorflow/models/blob/master/research/object_detection/object_detection_tutorial.ipynb

但是后来发现在~/rdshare/detection/detection/py的脚本中，检测结果中有类别，目标框的位置等，可据此计算map，recall等，所以没有继续根据上边的链接继续做。

二、自主计算

在~/rdshare/detection/detection/py脚本中，通过 boxes = detection_graph.get_tensor_by_name('detection_boxes:0') 可获得目标框的坐标。print之后结果如下

tensorflow利用预训练模型进行目标检测（四）：检测中的精度问题以及evaluation

结果中应该是两个物体的坐标。

然后参考https://blog.csdn.net/qq_17550379/article/details/79875784 中的代码，可以计算map

def voc_ap(rec, prec, use_07_metric=False):
    if use_07_metric:
        # 11 point metric
        ap = 0.
        for t in np.arange(0., 1.1, 0.1):
            if np.sum(rec >= t) == 0:
                p = 0
            else:
                p = np.max(prec[rec >= t])
            ap = ap + p / 11.
    else:
        mrec = np.concatenate(([0.], rec, [1.]))
        mpre = np.concatenate(([0.], prec, [0.]))
        for i in range(mpre.size - 1, 0, -1):
            mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
        i = np.where(mrec[1:] != mrec[:-1])[0]
        ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
    return ap

View Code