一、tensorflow提供的evaluation

Inference and evaluation on the Open Images dataset：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/oid_inference_and_evaluation.md

該連結中詳細介紹瞭如何針對Open Images dataset資料集進行inference和evaluation，按照此教程，在models/research目錄下新建oid資料夾，並將資料集以及驗證集下載並放在此資料夾下。後續可能不會用到，待刪除。

tensorflow提供的官方detection demo可參考：https://github.com/tensorflow/models/blob/master/research/object_detection/object_detection_tutorial.ipynb

但是後來發現在~/rdshare/detection/detection/py的指令碼中，檢測結果中有類別，目標框的位置等，可據此計算map，recall等，所以沒有繼續根據上邊的連結繼續做。

二、自主計算

在~/rdshare/detection/detection/py指令碼中，通過 boxes = detection_graph.get_tensor_by_name('

結果中應該是兩個物體的座標。

然後參考https://blog.csdn.net/qq_17550379/article/details/79875784 中的程式碼，可以計算map

def voc_ap(rec, prec, use_07_metric=False):
    if use_07_metric:
        # 11 point metric
        ap = 0.
        for t in np.arange(0., 1.1, 0.1):
            
 
if np.sum(rec >= t) == 0:
                p = 0
            else:
                p = np.max(prec[rec >= t])
            ap = ap + p / 11.
    else:
        mrec = np.concatenate(([0.], rec, [1.]))
        mpre = np.concatenate(([0.], prec, [0.]))
        for i in range(mpre.size - 1, 0, -1):
            mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
        i = np.where(mrec[1:] != mrec[:-1])[0]
        ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
    return ap

另外可參考的連結

https://blog.csdn.net/ziliwangmoe/article/details/81415943

https://zhuanlan.zhihu.com/p/37910324

本論文中可考慮不用maP，只計算目標是否出現等方式，或者用yolo做ground truth。