【YOLO系列PR、F1绘图】更改v5、v7、v8（附v8训练、验证方式），实现调用val.py或者test.py后生成pr.csv，然后再整合绘制到一张图上（使用matplotlib绘制）

1. 前提 + 效果图

不错的链接：YOLOV7训练模型分析
关于map的绘图、loss绘图，可参考：【YOLO系列result中的map、loss、pr绘图】根据v5、v8、v7训练后生成的result文件用matplotlib进行绘图
v5、v8调用val.py，v7调用test.py（作用都是一样的，都是用已训练好权重对测试集进行验证，然后打印出一系列指标）
实现效果：就是将运行val.py/test.py后生成的PR_curve.png中最粗的蓝线整合到同一张图中（注意：本代码最重要的作用是将验证时得到的一系列P、R值给提出来，所以绘图就比较潦草，直接用的matplotlib画的，如果要用于论文中的绘图，一般使用origin）

在这里插入图片描述

同理，可以实现F1_curve.png绘图

在这里插入图片描述

2. 更改步骤

2.1 得到PR_curve.csv和F1_curve.csv

2.1.1 YOLOv7的更改

2.1.1.1 得到PR_curve.csv

在utils/metrics.py中，按住Ctrl+F搜索def plot_pr_curve定位过去，然后如图做更改：

在这里插入图片描述

# Plots ----------------------------------------------------------------------------------------------------------------def plot_pr_curve(px, py, ap, save_dir='pr_curve.png', names=()):# Precision-recall curvefig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)py = np.stack(py, axis=1)# lwd edit: 将结果保存在csv中pr_dict = dict()    # lwd editpr_dict['px'] = px.tolist() # lwd editif 0 < len(names) < 21:  # display per-class legend if < 21 classesfor i, y in enumerate(py.T):ax.plot(px, y, linewidth=1, label=f'{names[i]} {ap[i, 0]:.3f}')  # plot(recall, precision)pr_dict[names[i]] = y.tolist()  # lwd editelse:ax.plot(px, py, linewidth=1, color='grey')  # plot(recall, precision)ax.plot(px, py.mean(1), linewidth=3, color='blue', label='all classes %.3f mAP@0.5' % ap[:, 0].mean())# ------------------- lwd edit ---------------------- #pr_dict['all'] = py.mean(1).tolist()import pandas as pddataformat = pd.DataFrame(pr_dict)save_csvpath = save_dir.cwd() / (str(save_dir).replace('.png', '.csv')) # 定义csv文件的保存位置dataformat.to_csv(save_csvpath, sep=',')# ---------------------------------------------------- #ax.set_xlabel('Recall')ax.set_ylabel('Precision')ax.set_xlim(0, 1)ax.set_ylim(0, 1)plt.legend(bbox_to_anchor=(1.04, 1), loc="upper left")fig.savefig(Path(save_dir), dpi=250)

生成的表格数据，共1000行数据：（PR、F1的表格长得差不多，就是数据内容不同，表头相同，行数相同）

2.2.1.2 得到F1_curve.csv

在utils/metrics.py中，按住Ctrl+F搜索def plot_mc_curve定位过去，然后如图做更改：

ps： 因为在utils/metrics.py中的def ap_per_class中会 3 次调用plot_mc_curve，分别绘制F1_curve.png、P_curve.png、R_curve.png，而我只想在F1_curve.png的时候把F1值给提出来，所以我在下图代码中231处进行判断是否是在绘制F1_curve.png，不是的话运行之后就不会生成F1_curve.csv

在这里插入图片描述

def plot_mc_curve(px, py, save_dir='mc_curve.png', names=(), xlabel='Confidence', ylabel='Metric'):# Metric-confidence curvefig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)# -----------------lwd edit: 将结果保存在csv中--------------- ## 判断是不是绘制F1_curve曲线flag = Falseif str(save_dir).endswith('F1_curve.png'):flag = Truepr_dict = dict()    # lwd editpr_dict['px'] = px.tolist() # lwd edit# --------------------------------------------------------- #if 0 < len(names) < 21:  # display per-class legend if < 21 classesfor i, y in enumerate(py):ax.plot(px, y, linewidth=1, label=f'{names[i]}')  # plot(confidence, metric)if flag:pr_dict[names[i]] = y.tolist()  # lwd editelse:ax.plot(px, py.T, linewidth=1, color='grey')  # plot(confidence, metric)y = py.mean(0)ax.plot(px, y, linewidth=3, color='blue', label=f'all classes {y.max():.2f} at {px[y.argmax()]:.3f}')# ------------------- lwd edit ---------------------- #if flag:pr_dict['all'] = y.tolist()import pandas as pddataformat = pd.DataFrame(pr_dict)save_csvpath = save_dir.cwd() / (str(save_dir).replace('.png', '.csv')) # 定义csv文件的保存位置dataformat.to_csv(save_csvpath, sep=',')# ---------------------------------------------------- #ax.set_xlabel(xlabel)ax.set_ylabel(ylabel)ax.set_xlim(0, 1)ax.set_ylim(0, 1)plt.legend(bbox_to_anchor=(1.04, 1), loc="upper left")fig.savefig(Path(save_dir), dpi=250)

2.1.2 YOLOv5的更改（v6.1版本）

在utils/metrics.py中做与YOLOv7同样的更改

2.1.3 YOLOv8的更改（附训练、验证方式）

在ultralytics-main\ultralytics\yolo\utils\metrics.py中做与YOLOv7同样的更改

❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀ 分割线 ❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀❀

因为有同学说按照这方式，v8中没有生成csv文件，那可以采取一下我的验证方式，看看能不能生成csv文件

🍀强烈打call的博客：YoloV8的python启动
注意：下面设定的值是对ultralytics\yolo\cfg\default.yaml中相应参数进行的更改，例如data、imgsz、batch...，还有很多参数可以看文件里面的注释

以下是我参考博客并自行设定了一些值的val_test.py及运行结果

验证测试集的时候，这几个值最好都这么设定：split='test', batch=1, conf=0.001, iou=0.5，因为split='test'表示对测试集test进行验证（默认是对验证集val进行验证），batch=1, conf=0.001, iou=0.5是目标检测中约定俗成的

# 参考博客：https://blog.csdn.net/ljlqwer/article/details/129175087
from ultralytics import YOLOmodel = YOLO("/opt/data/private/user_LWD/train_result/yolov8s/yolov8s-best.pt")  # 权重地址results = model.val(data="ultralytics/datasets/RDD.yaml", imgsz=640, split='test', batch=1, conf=0.001, iou=0.5, name='yolov8s-from-ultralytics-main-bs1', optimizer='Adam')  # 参数和训练用到的一样

在这里插入图片描述

暂存一下我训练设置的train_test.py

from ultralytics import YOLO
# 参考的链接：https://blog.csdn.net/ljlqwer/article/details/129175087# 这里如果需要预权重就写你的权重文件地址，没有预权重写cfg地址，写一个就够了
# model = YOLO("yolov8n.pt")  
model = YOLO("ultralytics/models/v8/yolov8s.yaml")  model.train(data="ultralytics/datasets/RDD.yaml", epochs=300, imgsz=640, batch=32, name='yolov8s-from-ultralytics-main', optimizer='Adam')

2.2 绘制PR曲线

按照2.1得到v7、v5、v8验证后的PR_curve.csv、F1_curve.csv后，在两个函数的csv_dict中指明相应的csv位置，即可运行得到整合图（可见博客最上面的效果图）

import matplotlib.pyplot as plt
import pandas as pd# 绘制PR
def plot_PR():pr_csv_dict = {'YOLOv5m': r'F:\ChromeDown\yolov5-6.1-pruning-autodl\yolov5-6.1-pruning-autodl\runs\val\exp\PR_curve.csv','YOLOv7': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp\PR_curve.csv','YOLOv7-tiny': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp2\PR_curve.csv','YOLOv8s': r'G:\pycharmprojects\ultralytics-main\runs\detect\yolov8s-from-ultralytics-main-bs111\PR_curve.csv',}# 绘制prfig, ax = plt.subplots(1, 1, figsize=(8, 6), tight_layout=True)for modelname in pr_csv_dict:res_path = pr_csv_dict[modelname]x = pd.read_csv(res_path, usecols=[1]).values.ravel()data = pd.read_csv(res_path, usecols=[6]).values.ravel()ax.plot(x, data, label=modelname, linewidth='2')# 添加x轴和y轴标签ax.set_xlabel('Recall')ax.set_ylabel('Precision')ax.set_xlim(0, 1)ax.set_ylim(0, 1)plt.legend(bbox_to_anchor=(1.04, 1), loc='upper left')plt.grid()  # 显示网格线# 显示图像fig.savefig("pr.png", dpi=250)plt.show()# 绘制F1
def plot_F1():f1_csv_dict = {'YOLOv5m': r'F:\ChromeDown\yolov5-6.1-pruning-autodl\yolov5-6.1-pruning-autodl\runs\val\exp\F1_curve.csv','YOLOv7': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp5\F1_curve.csv','YOLOv7-tiny': r'G:\pycharmprojects\yolov7-distillation\runs\test\exp4\F1_curve.csv','YOLOv8s': r'G:\pycharmprojects\ultralytics-main\runs\detect\yolov8s-from-ultralytics-main-bs111\F1_curve.csv'}fig, ax = plt.subplots(1, 1, figsize=(8, 6), tight_layout=True)for modelname in f1_csv_dict:res_path = f1_csv_dict[modelname]x = pd.read_csv(res_path, usecols=[1]).values.ravel()data = pd.read_csv(res_path, usecols=[6]).values.ravel()ax.plot(x, data, label=modelname, linewidth='2')# 添加x轴和y轴标签ax.set_xlabel('Confidence')ax.set_ylabel('F1')ax.set_xlim(0, 1)ax.set_ylim(0, 1)plt.legend(bbox_to_anchor=(1.04, 1), loc='upper left')plt.grid()  # 显示网格线# 显示图像fig.savefig("F1.png", dpi=250)plt.show()if __name__ == '__main__':plot_PR()   # 绘制PRplot_F1()   # 绘制F1