YOLOv5：按每个类别的不同置信度阈值输出预测框

前言
前提条件
相关介绍
YOLOv5：按每个类别的不同置信度阈值输出预测框
- 预测
- - 修改detect.py
  - 输出结果
- 验证
- - 修改val.py
  - 输出结果
参考

在这里插入图片描述

前言

由于本人水平有限，难免出现错漏，敬请批评改正。
更多精彩内容，可点击进入YOLO系列专栏、自然语言处理
专栏或我的个人主页查看
基于DETR的人脸伪装检测
YOLOv7训练自己的数据集（口罩检测）
YOLOv8训练自己的数据集（足球检测）
YOLOv5：TensorRT加速YOLOv5模型推理
YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测
YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
YOLOv5：使用7.0版本训练自己的实例分割模型（车辆、行人、路标、车道线等实例分割）
使用Kaggle GPU资源免费体验Stable Diffusion开源项目

前提条件

熟悉Python

YOLOv5：按每个类别的不同置信度阈值输出预测框

在这里插入图片描述

预测

在这里插入图片描述

修改detect.py

				# filter with label, class, map
                filter_score_maps = {
                    0 : 0.45, # person
                    5 : 0.85, # bus
                }

                # Write results
                for *xyxy, conf, cls in reversed(det):
                    # filter with label, class # 按照各个类别框的置信度，过滤框
                    if int(cls) in filter_score_maps.keys() and conf < filter_score_maps[int(cls)]:
                        continue
                    if save_txt:  # Write to file
                        xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  # normalized xywh
                        line = (cls, *xywh, conf) if save_conf else (cls, *xywh)  # label format
                        with open(txt_path + '.txt', 'a') as f:
                            f.write(('%g ' * len(line)).rstrip() % line + '\n')

                    if save_img or save_crop or view_img:  # Add bbox to image
                        c = int(cls)  # integer class
                        label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
                        annotator.box_label(xyxy, label, color=colors(c, True))
                        if save_crop:
                            save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg', BGR=True)

在这里插入图片描述

输出结果

在这里插入图片描述

验证

在这里插入图片描述

修改val.py

            # filter with label, class, map
            filter_score_maps = {
                0 : 0.45, # person
                5 : 0.85, # bus
            }

            # Write results
            filter_pred = []
            for i,(*xyxy, conf, cls) in enumerate(pred):
                # filter with label, class # 按照各个类别框的置信度，过滤框
                # print((i,conf, cls))
                if (int(cls) not in filter_score_maps.keys()) or (int(cls) in filter_score_maps.keys() and conf > filter_score_maps[int(cls)]):
                    filter_pred.append(pred[i].tolist())
                
            pred = torch.Tensor(filter_pred).to(device)

在这里插入图片描述

输出结果

在这里插入图片描述

参考

[1] https://github.com/ultralytics/yolov5.git

由于本人水平有限，难免出现错漏，敬请批评改正。
更多精彩内容，可点击进入YOLO系列专栏、自然语言处理
专栏或我的个人主页查看
基于DETR的人脸伪装检测
YOLOv7训练自己的数据集（口罩检测）
YOLOv8训练自己的数据集（足球检测）
YOLOv5：TensorRT加速YOLOv5模型推理
YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测
YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
YOLOv5：使用7.0版本训练自己的实例分割模型（车辆、行人、路标、车道线等实例分割）
使用Kaggle GPU资源免费体验Stable Diffusion开源项目