yolov5训练后模型的map如何计算代码

在Yolov5的训练过程中，我们通常使用mAP（平均精度均值）来评估模型的表现。mAP是预测框与真实框之间的IoU（交并比）分数的加权平均值。

在Yolov5中，计算mAP的代码通常在`val.py`文件中。以下是一个简单的示例代码：

from utils.metrics import ap_per_class

# 定义使用的设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 加载模型
model = torch.load('yolov5s.pt', map_location=device)['model'].to(device).eval()

# 加载数据集
dataset = LoadImagesAndLabels('./data.yaml', hyp['img_size'], batch_size=1, augment=False, rect=True)
dataloader = torch.utils.data.DataLoader(dataset, batch_size=1, num_workers=1, pin_memory=True, collate_fn=dataset.collate_fn)

# 初始化mAP计算器
ap = ap_per_class(nc=dataset.nc, names=dataset.names)

# 遍历数据集进行预测
for batch_i, (imgs, targets, paths, shapes) in enumerate(tqdm(dataloader, desc='Validating')):
    imgs = imgs.to(device)
    targets = targets.to(device)

    # 预测
    with torch.no_grad():
        outputs = model(imgs)

    # 根据预测结果计算mAP
    ap.add(outputs, targets)

# 输出结果
mAP = ap.mean()
print(f'mAP: {mAP}')

在上述代码中，`ap_per_class`函数初始化了一个计算每个类别的AP（平均精度）的计算器，然后我们遍历数据集进行预测，将预测结果和真实结果传递给`ap.add`函数来计算每个类别的AP。最后，我们使用`ap.mean()`函数来计算所有类别的平均AP，即mAP。