########################### 文件结构 ###########################

ROOT | |libdarknet # 存放darknet.so文件 | | libdarknet.so | |material # 存放实验相关的素材 | | |cfg | | | *.data | | | *.names | | | *.cfg | | |yolo_models # 存放yolo模型文件 | |results # 存放实验结果 | | |predict bb_info_statistic.py # 统计实验数据 Bounding-Boxes(BB)的信息(未完成) conf.py # 实验相关配置文件 darknet.py # darknet框架的python接口 dataset_info_statistic.py # 统计实验数据的信息 error_analyse.py # 错误分析，错误样本统计 evaluation.py # 计算map，precise，recall的核心代码，当做API使用 Get_Evaluating_Results.ipynb # 实验结果分析流程(jupyter版，不建议使用) plot_bb_on_img.py # 将Label和预测结果的BB画到对应的图片上 plot_evaluation_results.py # 画出 bg-fg,cls,all-cls 的MAP 图 Plot_Training_Info.ipynb # 画出训练相关的信息(jupyter版，不建议使用) plot_training_info.py # 画出训练相关的信息 precise_recall_curve.py # 画出precise-recall曲线(未完成) run_get_map.py # 获取实验结果(bg-fg,cls,all-cls MAP) run_testing.py # 获取每张图片的检测结果 utils.py # 工具类

########################### 物体检测结果分析流程 ###########################

Training

1. 画出train-loss曲线，调参，迭代训练； 详见，plot_training_info.py

Validating/Testing

1. 在conf文件中配置本次实验的信息;

2. 运行 run_testing.py 获取每张图片物体检测的结果;

3. 运行 run_get_map.py 获取 bg-fg,cls,all-cls 的 MAP 数据;

4. 运行 plot_evaluation_results.py 将MAP数据画出来;

5. 运行 plot_bb_on_img.py 可以预览检测结果