yolo-v3模型测试及测试结果转化
训练完成生成模型后，进行模型测试。对测试集数据进行检测，得到检测结果
1.制作2019_test.txt文件
像制作训练集时生产2019_train.txt（文件内容为包含所有训练图片的路径和文件名）一样，制作2019_test.txt文件（文件内容为包含所有测试图片的路径和文件名）。
采用以下程序来生成测试集的 test.txt 文件，其中包含每个测试样本的路径和文件名，注意此处包含后缀
# coding=utf-8
import os
from os import listdir, getcwd
from os.path import join
if __name__ == '__main__': # 只有在文件作为脚本文件直接执行时才执行下面代码
source_folder='Your Path' #图片保存的路径
dest='Your Path/test.txt' #写有图片的名字的路径
file_list=os.listdir(source_folder)#获取各图片的名称
test_file=open(dest,'a') #追加写打开
count = 0
for file_obj in file_list:
count += 1
file_path=os.path.join(source_folder,file_obj) #路径拼接 指向 图片文件的路径
# file_name,file_extend=os.path.splitext(file_path) #分离文件名与扩展名 file_name为去掉扩展名的图片名称
test_file.write(file_path+'\n') #写入去掉扩展名的文件名名称
test_file.close() #关闭文件然后在该.py文件的路径下，执行如下命令：
python create_test_txt.py2. 修改./darknet/cfg/voc.data文件
修改./cfg/voc.data文件中的valid部分，将其设置为第1步中生成的test.txt路径。
classes= # 不用改
train = # 不用改
valid = /Your Path/test.txt
names = # 不用改
backup = # 不用改`在这里插入代码片`3. 修改./darknet/cfg/yolov3-voc.cfg文件
将测试模式打开，将训练模式关闭，如下：
[net]
# Testing
batch=1
subdivisions=1
# Training
# batch=64
# subdivisions=164. 执行测试语句
在命令窗口的./darknet路径下，执行以下语句：
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights执行完毕之后会在./darknet/result/ 路径下生成若干个txt文件(个数和类别数一致)，名称为comp4_det_test_[class_name].txt，这便是预测结果文件。
5. 转换预测结果格式
通常我们希望预测结果保存在一个个以图片名称为名字的txt文件中，例如，我所期望的文件格式如下：
那么我们可以使用如下程序进行格式转换：
注意：
1）需要将第4步生成的若干个txt文件重命名为：类名.txt
2）将这些类名.txt统一放到一个空文件夹下，即下面程序中的 'Your Path\raw_txt'
3）创建一个用来存放转换后txt文件的文件夹，即下面程序中的 'Your Path\converted_txt'
import os
def creat_mapping_dic(result_txt, threshold=0.0): # 设置一个阈值，用来删掉置信度低的预测框信息
mapping_dic = {} # 创建一个字典，用来存放信息
txt = open(result_txt, 'r').readlines() # 按行读取TXT文件
for info in txt: # 提取每一行
info = info.split() # 将每一行（每个预测框）的信息切分开
photo_name = info[0] # 图片名称
probably = float(info[1]) # 当前预测框的置信度
if probably < threshold:
continue
else:
xmin = int(float(info[2]))
ymin = int(float(info[3]))
xmax = int(float(info[4]))
ymax = int(float(info[5]))
position = [xmin, ymin, xmax, ymax]
if photo_name not in mapping_dic: # mapping_dic的每个元素的key值为图片名称，value为一个二维list，其中存放当前图片的若干个预测框的位置
mapping_dic[photo_name] = []
mapping_dic[photo_name].append(position)
return mapping_dic
def creat_result_txt(raw_txt_path, target_path, threshold=0.0): # raw_txt_path为yolo按类输出的TXT的路径 target_path 为转换后的TXT存放路径
all_files = os.listdir(raw_txt_path) # 获取所以的原始txt
for each_file in all_files: # 遍历所有的原始txt文件，each_file为一个文件名，例如‘car.txt’
each_file_path = os.path.join(raw_txt_path, each_file) # 获取当前txt的路径
map_dic = creat_mapping_dic(each_file_path, threshold=threshold) # 对当前txt生成map_dic
for each_map in map_dic: # 遍历当前存放信息的字典
target_txt = each_map + '.txt' # 生成目标txt文件名
target_txt_path = os.path.join(target_path, target_txt) # 生成目标txt路径
if target_txt not in os.listdir(target_path):
txt_write = open(target_txt_path, 'w') # 如果目标路径下没有这个目标txt文件，则创建它,即模式设置为“覆盖”
else:
txt_write = open(target_txt_path, 'a') # 如果目标路径下有这个目标txt文件，则将模式设置为“追加”
class_name = each_file[:-4] # 获取当前原始txt的类名
txt_write.write(class_name) # 对目标txt写入类名
txt_write.write('\n') # 换行
for info in map_dic[each_map]: # 遍历某张图片的所有预测框信息
txt_write.write(str(info[0]) + ' ' + str(info[1]) +
' ' + str(info[2]) + ' ' + str(info[3]) + ' ') # 写入预测框信息
txt_write.write('\n') # 换行
creat_result_txt('Your Path\\raw_txt',
'Your Path\converted_txt',
threshold=0.1)运行完毕后，在Your Path\converted_txt文件夹中会产生每个图片对应得检测结果
至此完成了 基于yolo-v3 针对自己数据集得检测与测试 结果转化 。
