YOLOv5全面解析教程⑤：计算mAP用到的Numpy函数详解

作者 | Fengwen、BBuf

本文主要介绍在One-YOLOv5项目中计算mAP用到的一些numpy操作，这些numpy操作使用在utils/metrics.py中。本文是《YOLOv5全面解析教程④：目标检测模型精确度评估》的补充，希望能帮助到小伙伴们。

欢迎Star、试用One-YOLOv5：

https://github.com/Oneflow-Inc/one-yolov5

用到的numpy操作比如：np.cumsum()、np.interp()、np.maximum.accumulate()、np.trapz()等。接下来将在下面逐一介绍。

import numpy as np

np.cumsum()

返回元素沿给定轴的累积和。

numpy.cumsum(a, axis=None, dtype=None, out=None)源码(https://github.com/numpy/numpy/blob/v1.23.0/numpy/core/fromnumeric.py#L2497-L2571)

参数
a:数组
axis: 轴索引,整型，若a为n维数组，则axis的取值范围为[0,n-1]
dtype: 返回结果的数据类型，若不指定，则默认与a一致n
out: 数据类型为数组。用来放置结果的替代输出数组，它必须具有与输出结果具有相同的形状和数据缓冲区长度
返回
沿着指定轴的元素累加和所组成的数组，其形状应与输入数组a一致

更多信息请参阅读:

1.API_CN(https://www.osgeo.cn/numpy/reference/generated/numpy.cumsum.html?highlight=cumsum#numpy.cumsum)

2.API_EN(https://numpy.org/doc/stable/reference/generated/numpy.cumsum.html?highlight=cumsum#numpy.cumsum)

np.cumsum(a) # 计算累积和的轴。默认（无）是在展平的数组上计算cumsum。

array([ 1, 3, 6, 10, 15, 21])

a = np.array([[1,2,3], [4,5,6]])
np.cumsum(a, dtype=float)     # 指定输出的特定的类型

array([ 1., 3., 6., 10., 15., 21.])

np.cumsum(a,axis=0)      # 3列中每一列的行总和

array([[1, 2, 3],
[5, 7, 9]])

x = np.ones((3,4),dtype=int) 
np.cumsum( x ,axis=0)

array([[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3]])

np.cumsum(a,axis=1)      # 2行中每行的列总和

array([[ 1, 3, 6],
[ 4, 9, 15]])

np.interp()

参数
x: 数组待插入数据的横坐标
xp: 一维浮点数序列原始数据点的横坐标，如果period参数没有指定那么就必须是递增的否则，在使用xp = xp % period正则化之后，xp在内部进行排序
fp: 一维浮点数或复数序列原始数据点的纵坐标，和xp序列等长.
left: 可选参数，类型为浮点数或复数（对应于fp值）当x < xp[0]时的插值返回值，默认为fp[0].
right: 可选参数，类型为浮点数或复数（对应于fp值），当x > xp[-1]时的插值返回值，默认为fp[-1].
period: None或者浮点数，可选参数横坐标的周期此参数使得可以正确插入angular x-coordinates. 如果该参数被设定，那么忽略left参数和right参数
返回
浮点数或复数（对应于fp值）或ndarray. 插入数据的纵坐标，和x形状相同

注意！

在没有设置period参数时，默认要求xp参数是递增序列

# 插入一个值
import numpy as np
import matplotlib.pyplot as plt
x = 2.5
xp = [1, 2, 3]
fp = [3, 2, 0]
y = np.interp(x, xp, fp)  # 1.0
plt.plot(xp, fp, '-o') 
plt.plot(x, y, 'x') # 画插值
plt.show()

# 插入一个序列
import numpy as np
import matplotlib.pyplot as plt

x = [0, 1, 1.5, 2.72, 3.14]
xp = [1, 2, 3]
fp = [3, 2, 0]
y = np.interp(x, xp, fp)  # array([ 3. ,  3. ,  2.5 ,  0.56,  0. ])
plt.plot(xp, fp, '-o')
plt.plot(x, y, 'x')
plt.show()

np.maximum.accumulate

计算数组（或数组的特定轴）的累积最大值

import numpy as np
d = np.random.randint(low = 1, high = 10, size=(2,3))
print("d:\n",d)
c = np.maximum.accumulate(d, axis=1)
print("c:\n",c)

[[1 9 5]

[2 6 1]]

[[1 9 9]

[2 6 6]]

np.trapz()

numpy.trapz(y, x=None, dx=1.0, axis=- 1) 使用复合梯形规则沿给定轴积分。

import matplotlib.pyplot as plt
import numpy as np
y = [1, 2, 3] ; x = [i+1 for i in range(len(y))]
print(np.trapz(x))
plt.fill_between(x, y)
plt.show() # (1 + 3)*(3 - 1)/2 = 4

4.0

import matplotlib.pyplot as plt
import numpy as np
y = [1, 2, 3] 
x = [4, 6, 8]
print(np.trapz(y,x))
plt.fill_between(x, y)
plt.show() # (3 + 1)*(8 - 4) / 2 = 8

8.0

参考资料：

1. numpy API文档 CN：https://www.osgeo.cn/numpy/dev/index.html

2. numpy API文档 EN：https://numpy.org/doc/stable/reference/index.html

3. axis的基本使用：https://www.jb51.net/article/242067.htm

其他人都在看

OneFlow v0.9.0正式发布
从0到1，OpenAI的创立之路
一块GPU搞定ChatGPT；ML系统入坑指南
YOLOv5解析教程：目标检测模型精确度评估
比快更快，开源Stable Diffusion刷新作图速度
OneEmbedding:单卡训练TB级推荐模型不是梦
GLM训练加速：性能最高提升3倍，显存节省1/3

欢迎Star、试用OneFlow最新版本：GitHub - Oneflow-Inc/oneflow: OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient.OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient. - GitHub - Oneflow-Inc/oneflow: OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient.https://github.com/Oneflow-Inc/oneflow/