YOLOv4计算Map命令

使用的版本是AlexyAB的模型,训练完成后在darknet目录下运行下列命令行

xxx@xxx:~/darknet$ ./darknet detector map./cfg/voc.data cfg/yolov4.cfg backup/yolo-obj_last.weights

注意:其中voc.data我是修改过内容的,可以根据自己的文件夹名称替换。另外yolo-obj_last.weights是在backup目录下,名称也是实现自定义好的,根据自己的文件名进行修改,也可以使用best.weights。

运行结果图如下:
结果图

版权声明:本文为CSDN博主「布什先生.」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/scsym/article/details/113825432

布什先生.

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

Meta-DETR | 图像级“元”学习提升目标检测精度

计算机视觉研究院专栏作者:Edison_GOne-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案,它们中的大多数基本上是通过解决在区域上的元学习检测来进行分类

AP AR mAP ROC AUC(目标检测)

禁止转载!在做目标检测任务的时候,通常会制定规则来评估性能,就如下图所示,后面会慢慢道来其中的原理。 混淆矩阵中 TP、TN、FP、FN
在目标检测中,通常以IoU阈值作为

瑕疵检测(深度学习)

与通用目标检测的区别
相较与整张图片瑕疵区域的占比一般非常小,Faster R-CNN等检测模型对小物体检测不够好
深度学习从低层到高层不断去提炼高层语义信息,层数的增大细节的信息丢失得越多,对于缺