DOTA数据集评估方法——yolov8_obb——DOTA_devkit

yolov8-pose关键点检测

DOTA数据格式mAP计算工具：DOTA_devkit。
下载地址：https://github.com/978326187/DOTA_devkit
可参考:
https://blog.csdn.net/qq_40890765/article/details/126253925

一、使用dota_evaluation_task1.py文件计算mAP值。

DOTA格式

.
├── images
└── labelTxt

安装教程：（建议在Linux系统中进行环境安装，Windows问题重重）
1、首先安装swig；

pip isntall swig -i https://pypi.doubanio.com/simple
或者sudo apt-get install swig

2、为python创建c++扩展模块。
注意：必须在DOTA_devkit-master文件夹下运行以下命令进行编译：

swig -c++ -python polyiou.i
python setup.py build_ext --inplace

数据准备

detpath = r'/home/zhangxiao/DOTA_devkit-master/map_test/predict_rusult/Task1_ship.txt'  # Path to detectionsdetpath.format(classname) should produce the detection results file.
annopath = r'/home/zhangxiao/DOTA_devkit-master/map_test/gt/SSDD_orient_annotation/{:s}.txt'  # change the directory to the path of val/labelTxt, if you want to do evaluation on the valset
imagesetfile = r'/home/zhangxiao/DOTA_devkit-master/map_test/test_img_name.txt'

注意：文件夹需要修改的部分要特别注意：只要改前面文件夹的部分，后面/{:S}.txt或者/Task1_{:S}.txt不用动

输出的每个类别的结果文件如下：
每个类有一个txt文件，在txt文件内，一行对应一个目标，第一个参数是图片名称，第二个是置信度，后面八个是旋转框四个点坐标。
注意：所有的置信度都会被列出来，在评估的时候，P-R曲线是置信度由大到小计算的。另外，可以通过ovthresh设置预测框和标签iou的阈值，在上面提到的评估脚本里，很容易找到，这个值越大，说明需要越大的iou才能被列为TP。
在这里插入图片描述
2、annopath：测试集标注文件的路径，包含每张图片的txt格式的标注文件，注意：标注文件名称必须与图片名称相同，且不能是数据集裁剪后的图片，具体解释见3、imagesetfile；
前两行是遥感数据的名称，不用管，可以去掉；
第三行shelvehicle是标注框的类别，0表示是否是困难样本标志；
在这里插入图片描述
名词解释：
imagesource：图像数据来源；
gsd：地面采样距离（一个图像像素的物理尺寸，单位为m），缺少该注释则为null；
poly：四边形边框的四点坐标，其中（x1，y1）用于表示OBB的顶点起点的位置，四个顶点按照顺时针进行排列（顶点顺序对于部分需要检测目标具体方位的场景非常重要）。如下图所示是OBB label的可视化形式，黄点代表四边形边框的起点，它指的是（a）飞机的左上角、（b）扇形棒球区域的中心、（c）大型车辆的左上角；
在这里插入图片描述
category：目标所属类别；
diffcult：该目标实例的检测难度，1为高，0为低。
3、imagesetfile：测试集图片名称的路径，通过data_tools下的name2list.py文件提取图像名称，存入test_image_list.txt；（图中为namefile.txt）
是一个txt，列出了所有图片的名称，一行一个，没有后缀。
注意：数据集裁剪后的图片名称不能用，因为发生了变化，如下图：
在这里插入图片描述

在这里插入图片描述

yolov8_obb测试并保存结果

根据上述，我们需要获得
1、对应格式是每个类别的测试结果txt文件
2、测试图片的名称（去后缀）
3、测试图片的labeTxt的标签路径
运行eval_rotate_PR_V8.py，并将模型的测试结果进行存储。

#保存txt文件用于DOTA评估，可参考https://blog.csdn.net/qq_40890765/article/details/126253925
 with open('datasets/dota/det_txt'+'/Task_{}.txt'.format(cls_name_list[cls_i]),'a') as f:
     f.write(img_name.split('.')[0])  
     f.write(' ') 
     f.write(str(pred[pred_i, 5])) 
     f.write(' ') 
     f.write(str(pred_poly[0]))  
     f.write(' ')
     f.write(str(pred_poly[1])) 
     f.write(' ')
     f.write(str(pred_poly[2])) 
     f.write(' ')
     f.write(str(pred_poly[3])) 
     f.write(' ')
     f.write(str(pred_poly[4]))
     f.write(' ')
     f.write(str(pred_poly[5]))
     f.write(' ')
     f.write(str(pred_poly[6]))
     f.write(' ')
     f.write(str(pred_poly[7]))
     f.write(' ')      
     f.write('\n') 
 f.close()

得到第一个，对应格式是每个类别的测试结果txt文件
在这里插入图片描述
得到第二个，测试图片的名称（去后缀）

import os 
save_path='datasets/dota'
img_path='datasets/DOTAv1/val/images'
with open(save_path+'/imgnamefile.txt','w') as f:
    for filename1 in os.listdir(img_path):
         f.write(filename1.split('.')[0]+'\n')

在这里插入图片描述

得到第三个，测试图片的labeTxt的标签路径

运行dota_evaluation_task1.py文件,计算mAP值。确保下面的路径是准确的。

def parse_args():
    parser = argparse.ArgumentParser(description='MMDet test (and eval) a model')
    parser.add_argument('--detpath', default='/datasets/dota/det_txt/Task_{:s}.txt', help='test config file path')
    parser.add_argument('--annopath', default='/datasets/DOTAv1/val/labelTxt/{:s}.txt', help='checkpoint file')
    parser.add_argument('--imagesetfile', default='/datasets/dota/imgnamefile.txt', help='checkpoint file')
    args = parser.parse_args()
    return args

一些测试结果
在这里插入图片描述