### 如何在使用 PyTorch 修改 YOLOv5 生成 PR 曲线时恢复默认的 mAP 显示 YOLOv5 是一种高效的实时目标检测框架，在评估模型性能时，通常会绘制 Precision-Recall (PR) 曲线来分析不同阈值下的检测效果。mAP（mean Average Precision）作为衡量目标检测算法的核心指标之一，其计算方式直接影响最终的结果展示。 #### 1. **理解 PR 曲线与 mAP 的关系** PR 曲线展示了模型在不同置信度阈值下Precision和Recall的变化趋势。而 mAP 则是对多个类别上的 AP 值取平均得到的一个综合评价指标。YOLOv5 中，默认情况下会在 `val.py` 或者 `test.py` 脚本中完成这些指标的计算和可视化[^2]。 #### 2. **修改 PR 曲线生成逻辑** 如果需要自定义或者恢复默认的 mAP 显示行为，可以按照以下方式进行调整： ##### （1）定位相关代码 YOLOv5 的核心评估脚本位于 `val.py` 和 `utils/metrics.py` 文件中。其中： - `metrics.compute_ap()` 函数负责计算单个类别的 AP 值。 - `plot_pr_curve()` 函数用于绘制 PR 曲线。 可以通过修改这两个函数的行为来控制 PR 曲线以及 mAP 的显示形式。 ##### （2）恢复默认 mAP 行为 为了确保 mAP 计算符合标准 IOU 阈值的要求（通常是 0.5），可以在调用 `compute_ap()` 方法时指定参数 `iou_thres=0.5`。以下是具体实现方法： ```python from utils.metrics import ap_per_class, compute_ap def calculate_map(predictions, targets, iou_thresholds=[0.5]): """ Calculate the mean average precision (mAP). Args: predictions: List of model outputs. targets: Ground truth annotations. iou_thresholds: A list or single value representing IoU thresholds. Returns: Mean Average Precision over all classes and IoU thresholds. """ stats = [] for iou_thresh in iou_thresholds: # Compute per-class AP values at specific IoU threshold tp, fp, p, r, f1, ap, unique_classes = ap_per_class(*predictions, *targets, plot=False, save_dir=None, names=None, iou_thres=iou_thresh) stats.append(ap) # Combine statistics across different IoU thresholds map_values = np.mean(stats, axis=1).tolist() # Compute mAP@IoU return map_values ``` 此代码片段通过遍历不同的 IOU 阈值重新计算每种类别的 AP 并求均值得到 mAP[^2]。 ##### （3）更新 PR 曲线绘图功能 要恢复默认的 PR 曲线显示，需确认 `plot_pr_curve()` 是否被覆盖或修改过。如果没有特殊需求，则无需额外改动；如果有定制化需求，可参考如下代码重写该函数： ```python import matplotlib.pyplot as plt def plot_pr_curve(px, py, ap, save_dir='pr_curve.png', names=()): """Plot a single or multiple PR curves.""" fig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True) if isinstance(py, dict): # Multiple PR Curves for k, v in py.items(): ax.plot(px[k], v, linewidth=1, label=f'{names[int(k)]} {ap[k]:.3f}') else: # Single PR Curve ax.plot(px, py, linewidth=3, color='blue', label=f'All Classes {ap:.3f}') ax.set_xlabel('Recall') ax.set_ylabel('Precision') ax.set_xlim(0, 1) ax.set_ylim(0, 1) ax.legend(loc='best', fontsize=12) ax.set_title(f"Precision-Recall Curve", fontsize=14) fig.savefig(save_dir, dpi=300) plt.close() ``` 这段代码实现了对单一或多类别 PR 曲线的支持，并保存结果至指定路径[^2]。 #### 3. **注意事项** - 如果之前对源码进行了大量修改，建议备份后再逐步回滚更改以避免引入新问题。 - 确认所使用的依赖库版本满足最低要求，例如 `matplotlib>=3.2.2`, `numpy>=1.18.5` 等[^1]。 --- ###