### 编写 YOLOv8 计算 PR 曲线的 Python 代码 为了在 PyCharm 中编写计算 PR (Precision-Recall) 曲线的 Python 代码，可以遵循以下指南。此过程假设已经按照教程配置好了开发环境，并且能够顺利调用 YOLOv8 的相关功能。 #### 创建新的 Python 文件 在 PyCharm 中新建一个名为 `calculate_pr_curve.py` 的文件，在其中导入必要的库： ```python import torch from ultralytics import YOLO from pathlib import Path import matplotlib.pyplot as plt ``` #### 加载预训练模型 通过指定路径来加载预先训练好的 YOLOv8 模型实例： ```python model_path = "path/to/your/yolov8_model.pt" model = YOLO(model_path) ``` #### 准备数据集 确保数据已经被正确划分成训练集、验证集和测试集，并准备好相应的标签文件。这里假定已经有了合适的 `.txt` 文件作为输入[^3]。 #### 定义函数以评估模型性能并绘制 PR 曲线 定义一个辅助函数来进行预测并与真实框对比分析，从而获得精确度(Precision) 和召回率(Recall)，最终画出 PR 曲线图: ```python def plot_precision_recall_curve(predictions, ground_truths): """ 绘制 Precision Recall Curve. 参数: predictions: 预测结果列表 [(image_id, class_index, confidence_score, bbox)] ground_truths: 真实标注列表 [(image_id, class_index, bbox)] 返回值: None """ # 初始化统计变量 true_positives = [] false_negatives = [] thresholds = list(range(0, int(max([p[2] for p in predictions])), 1)) precisions = [] recalls = [] total_gt_objects = len(set([(gt[0], gt[1]) for gt in ground_truths])) for threshold in reversed(thresholds): tp_count = sum( any(p[:2] == gt[:2] and iou(p[-1], gt[-1]) >= .5 for p in predictions if p[2] >= threshold) for gt in ground_truths) fp_count = sum(not any(p[:2] == gt[:2] and iou(p[-1], gt[-1]) >= .5 for gt in ground_truths) for p in predictions if p[2] >= threshold) fn_count = total_gt_objects - tp_count precision = tp_count / max(tp_count + fp_count, 1e-9) recall = tp_count / max(total_gt_objects, 1e-9) precisions.append(precision) recalls.append(recall) fig, ax = plt.subplots() ax.plot(recalls, precisions, marker='.') ax.set_xlabel('Recall') ax.set_ylabel('Precision') ax.set_title('Precision vs. Recall curve') plt.show() def iou(boxA, boxB): """Calculate Intersection over Union between two bounding boxes.""" xA = max(boxA[0], boxB[0]) yA = max(boxA[1], boxB[1]) xB = min(boxA[2], boxB[2]) yB = min(boxA[3], boxB[3]) interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1) boxAArea = (boxA[2] - boxA[0] + 1) * (boxA[3] - boxA[1] + 1) boxBArea = (boxB[2] - boxB[0] + 1) * (boxB[3] - boxB[1] + 1) return interArea / float(boxAArea + boxBArea - interArea) ``` #### 运行评估流程 最后一步是在主程序部分执行上述定义的功能，传入适当参数完成整个工作流： ```python if __name__ == "__main__": dataset_dir = Path("path/to/dataset") # 数据集根目录 test_images_paths = [] # 测试图片路径集合 annotations = {} # 图片对应的真值边界框字典 {img_id -> [class_idx, bbox]} # 此处省略具体实现细节，需根据实际情况填充这两个变量的内容 results = model.predict(test_images_paths) # 使用模型进行推理得到的结果对象 all_predictions = [ ( img_id, cls.item(), conf.item(), pred_box.tolist() # 将 tensor 转换成 list 类型以便于后续操作 ) for batch_result in results for idx, (*pred_box, conf, cls) in enumerate(batch_result.boxes.data.cpu()) for img_id in range(len(results))] plot_precision_recall_curve(all_predictions, list(annotations.values())) ``` 这段代码展示了如何基于给定的数据集和已有的YOLOv8模型来计算PR曲线的方法。需要注意的是，具体的IOU阈值和其他超参数可能需要依据特定应用场景调整优化[^4]。