Durchschnittliches durchschnittliche Präzisionsergebnis (mAP) kann nicht erzielt werden, wenn Accuracy_check im Pot (Post-Training Optimization Tool) ausgeführt wird

1. Befehl POT ausgeführt:

   pot -c yo gors4-tiny_voc.2015 --output-dir backup -e
   Ausgabe: INFO:app.run.detection_accuracy:0.0

2. Befehl "Accuracy Checker" ausgeführt: accuracy_check -c yo slow4-tiny_voc.yml -td CPU geben das folgende Ergebnis aus:

   accuracy_checker WARNUNG: /opt/intel/openvino_2021/deployment_tools/open_model_zoo/tools/accuracy_checker/accuracy_checker/metrics/detection.py:201: UserWarning: Keine Erkennungen zur Berechnung von mAP
   warnings.warn("Keine Erkennungen zur Berechnung von mAP")

   Karte: 0,00 %
   AP@0,5: 0,00 %
   AP@0.5:0,05:95: 0,00 %

Das Visual Object Classes Challenge (VOC)-Dataset wird nicht von Intel validiert. Intel hat die Genauigkeit mit dem COCO-Datensatz (Common Objects in Context), wie in der Dokumentation Yolo-v4-tf erwähnt, validiert. Durch die Verwendung von coco_precision zur Berechnung des mAP für den Nicht-COCO-Datensatz wird dies möglicherweise nicht das beste Ergebnis liefern.

Um zu verhindern, dass während der Ausführung der Genauigkeitsüberprüfung 0,00 % für den mAP-Wert erhalten werden, wechseln Sie von VOC zu MSCOCO-Datensatz und verwenden verschiedene Metriken wie detection_accuracy, die mit DetectionAnnotation Representation funktionieren.

Unter Anleitungen zum Ausführen von Beispielen finden Sie Schritte zur Genauigkeitsüberprüfung bei Modellen.