### Mask R-CNN 模型评估代码及相关配置 以下是基于 Keras 和 TensorFlow 的 Mask R-CNN 实现的评估代码，支持 H5 权重文件加载，并提供关于测试集所需文件、mAP 计算、IoU 评估以及代码中需替换部分的说明。 #### 测试环境准备 为了运行此代码，需要安装以下依赖库： - `tensorflow>=2.0` - `keras>=2.3.1` - `numpy` - `scikit-image` 可以通过 pip 安装这些依赖项： ```bash pip install tensorflow keras numpy scikit-image ``` --- #### 评估代码实现 以下是一个完整的评估脚本： ```python import os import sys import json import numpy as np from skimage.io import imread, imsave from sklearn.metrics import confusion_matrix from mrcnn.config import Config from mrcnn.model import MaskRCNN from mrcnn.utils import compute_ap, compute_iou class CustomConfig(Config): NAME = "custom_mask_rcnn" GPU_COUNT = 1 IMAGES_PER_GPU = 1 NUM_CLASSES = 1 + X # 替换X为目标类别数量 def load_model(weights_path): """ 加载预训练模型 """ config = CustomConfig() model = MaskRCNN(mode="inference", config=config, model_dir="./logs") model.load_weights(weights_path, by_name=True) return model, config def evaluate_image(model, image_path, annotations): """ 对单张图像进行评估并计算指标 """ image = imread(image_path) results = model.detect([image], verbose=0)[0] gt_boxes = [] pred_boxes = [] ious = [] for ann in annotations["annotations"]: if ann["image_id"] == int(os.path.basename(image_path).split('.')[0]): gt_boxes.append(ann["bbox"]) for roi in results['rois']: pred_boxes.append(list(roi)) for gt_box in gt_boxes: max_iou = 0 for pred_box in pred_boxes: current_iou = compute_iou(gt_box, pred_box) if current_iou > max_iou: max_iou = current_iou ious.append(max_iou) ap = compute_ap(np.array(gt_boxes), np.array(pred_boxes)) mean_iou = np.mean(ious) if len(ious) > 0 else 0 accuracy = sum(i >= 0.5 for i in ious) / len(ious) if len(ious) > 0 else 0 return {"ap": ap, "mean_iou": mean_iou, "accuracy": accuracy} if __name__ == "__main__": weights_path = "./path/to/weights.h5" # 需要替换为实际路径 test_annotations_file = "./test.json" # COCO 格式的标注文件 with open(test_annotations_file, 'r') as f: test_data = json.load(f) model, _ = load_model(weights_path) total_ap = [] total_mean_iou = [] total_accuracy = [] for img_info in test_data["images"]: img_path = os.path.join("./test_images/", img_info["file_name"]) metrics = evaluate_image(model, img_path, test_data) total_ap.append(metrics["ap"]) total_mean_iou.append(metrics["mean_iou"]) total_accuracy.append(metrics["accuracy"]) print(f"Mean Average Precision (mAP): {np.mean(total_ap)}") print(f"Mean Intersection over Union (IoU): {np.mean(total_mean_iou)}") print(f"Accuracy: {np.mean(total_accuracy)}") ``` --- #### 关键参数解释 1. **NUM_CLASSES**: 设置目标检测中的类别数（背景类加其他类别），具体数值取决于数据集中有多少种对象[^1]。 2. **weights_path**: 提供 `.h5` 文件的实际存储位置。该文件通常由训练过程生成或从公开资源下载。 3. **test_annotations_file**: 测试集的标注文件应采用 COCO 数据格式，包含每张图片的对象边界框及其对应的类别信息[^2]。 4. **compute_ap() & compute_iou()**: 使用来自 MRCNN 工具包的功能来分别计算平均精度和交并比。 --- #### 替换部分 在上述代码中，有几处地方需要根据实际情况调整： - 将 `"./path/to/weights.h5"` 替换为本地保存的 H5 权重文件路径。 - 修改 `CustomConfig.NUM_CLASSES` 中的目标类别数目以匹配自己的数据集。 - 更新变量 `test_annotations_file` 到指向 JSON 注解文件的具体地址。 - 如果图片不在默认目录下，则修改 `os.path.join()` 路径逻辑至相应的位置。 --- #### 测试集需求 对于测试集的要求如下： - 图像应当存放在单一文件夹内以便批量读取处理。 - 所有的标注信息必须遵循标准 COCO 数据结构，其中至少包括字段如 images[] 及其关联的 annotations[] 数组列表。 COCO 数据格式样例片段展示如下： ```json { "info": {}, "licenses": [], "categories": [{"id": 1, "name": "object"}], "images": [ { "id": 1, "width": 800, "height": 600, "file_name": "example.jpg", } ], "annotations": [ { "id": 1, "image_id": 1, "category_id": 1, "segmentation": [[...]], "area": 974.5, "bbox": [473.07, 395.93, 38.65, 28.67], "iscrowd": 0 } ] } ``` ---