将yolov8官方代码训练完成RTDETR之后的YOLO指标转换成COCO指标，也适用于YOLOv8_yolov8 训练自己的rtdetr

官方的RTDETR是使用COCO格式的数据集进行训练的，自然是COCO指标，但是当我们使用yolov8代码中的进行RTDETR进行训练时，最终现实的是YOLO的指标，如果用到论文里面可能需要转换一下格式，因此讲一下如何转换指标

1.获得data.json文件

自己的数据集是这样的：

yolo2coco.py

import os
import cv2
import json
from tqdm import tqdm
from sklearn.model_selection import train_test_split
import argparse
# 根据自己的数据集类别进行修改
classes =['car', 'truck', 'bus']

parser = argparse.ArgumentParser()
# 验证集图像的路径
parser.add_argument('--image_path', default='/home/root1/data/miya/yolov8/data/uavdt/val/images',type=str, help="path of images")
# 验证集标签的路径
parser.add_argument('--label_path', default='/home/root1/data/miya/yolov8/data/uavdt/val/labels',type=str, help="path of labels .txt")
# 生成data.json的路径
parser.add_argument('--save_path', type=str,default='data.json', help="if not split the dataset, give a path to a json file")
arg = parser.parse_args()

def yolo2coco(arg):
    print("Loading data from ", arg.image_path, arg.label_path)

    assert os.path.exists(arg.image_path)
    assert os.path.exists(arg.label_path)
    
    originImagesDir = arg.image_path                                   
    originLabelsDir = arg.label_path
    # images dir name
    indexes = os.listdir(originImagesDir)

    dataset = {'categories': [], 'annotations': [], 'images': []}
    for i, cls in enumerate(classes, 0):
        dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})
    
    # 标注的id
    ann_id_cnt = 0
    for k, index in enumerate(tqdm(indexes)):
        # 支持 png jpg 格式的图片.
        txtFile = f'{index[:index.rfind(".")]}.txt'
        stem = index[:index.rfind(".")]
        # 读取图像的宽和高
        try:
            im = cv2.imread(os.path.join(originImagesDir, index))
            height, width, _ = im.shape
        except Exception as e:
            print(f'{os.path.join(originImagesDir, index)} read error.\nerror:{e}')
        # 添加图像的信息
        if not os.path.exists(os.path.join(originLabelsDir, txtFile)):
            # 如没标签，跳过，只保留图片信息.
            continue
        dataset['images'].append({'file_name': index,
                            'id': stem,
                            'width': width,
                            'height': height})
        with open(os.path.join(originLabelsDir, txtFile), 'r') as fr:
            labelList = fr.readlines()
            for label in labelList:
                label = label.strip().split()
                x = float(label[1])
                y = float(label[2])
                w = float(label[3])
                h = float(label[4])

                # convert x,y,w,h to x1,y1,x2,y2
                H, W, _ = im.shape
                x1 = (x - w / 2) * W
                y1 = (y - h / 2) * H
                x2 = (x + w / 2) * W
                y2 = (y + h / 2) * H
                # 标签序号从0开始计算, coco2017数据集标号混乱，不管它了。
                cls_id = int(label[0])   
                width = max(0, x2 - x1)
                height = max(0, y2 - y1)
                dataset['annotations'].append({
                    'area': width * height,
                    'bbox': [x1, y1, width, height],
                    'category_id': cls_id,
                    'id': ann_id_cnt,
                    'image_id': stem,
                    'iscrowd': 0,
                    # mask, 矩形是从左上角点按顺时针的四个顶点
                    'segmentation': [[x1, y1, x2, y1, x2, y2, x1, y2]]
                })
                ann_id_cnt += 1

    # 保存结果
    with open(arg.save_path, 'w') as f:
        json.dump(dataset, f)
        print('Save annotation to {}'.format(arg.save_path))

if __name__ == "__main__":
    yolo2coco(arg)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91

2.使用训练好的权重进行验证获得predictions.json

val.py

import warnings
warnings.filterwarnings('ignore')
from ultralytics import RTDETR
# 加载权重
model = RTDETR("/home/root1/data/miya/yolov8/uav/runs/train/rt8/weights/best.pt")
# 数据集yaml文件路径
model.val(data='/home/root1/data/miya/yolov8/data/uavdt/uavdt.yaml',
              split='val',
              imgsz=1024,
              batch=1,
              workers=8,
              device='0',
              # rect=False,
              save_json=True, # if you need to cal coco metrice
              project='runs/val',
              name='exp',
              )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

运行结果如下，因为我只是测试了一下代码是否正常运行，所以这里使用第一轮的权重，所以可以看到指标都很低

3.使用获得的data.json和predictions.json将YOLO指标转换成COCO指标

get_COCO_metrice.py

import argparse
from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOeval
from tidecv import TIDE, datasets

def parse_opt():
    parser = argparse.ArgumentParser()
    # data.json的路径
    parser.add_argument('--anno_json', type=str, default='data.json', help='training model path')
    # predictions.json的路径
    parser.add_argument('--pred_json', type=str, default='runs/val/exp17/predictions.json', help='data yaml path')
    
    return parser.parse_known_args()[0]

if __name__ == '__main__':
    opt = parse_opt()
    anno_json = opt.anno_json
    pred_json = opt.pred_json
    
    anno = COCO(anno_json)  # init annotations api
    pred = anno.loadRes(pred_json)  # init predictions api
    eval = COCOeval(anno, pred, 'bbox')
    eval.evaluate()
    eval.accumulate()
    eval.summarize()

    tide = TIDE()
    tide.evaluate_range(datasets.COCO(anno_json), datasets.COCOResult(pred_json), mode=TIDE.BOX)
    tide.summarize()
    tide.plot(out_dir='result')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

运行一下，指标为0的原因就是因为我用了第一轮的权重，本身验证的就很低

注：转换成COCO指标一般会比YOLO指标低，他们两个指标的计算方式本身也不一样。上述YOLO指标转换成COCO指标的方法也适用于yolov8

使用yolov8验证时，验证文件应该是：红色部分和RT-DETR是不同的，注意区分，如果你跑的是RT-DETR模型，但是你使用的是下面这个YOLOv8的验证方式的话，会报错的，所以注意一下这点。