YOLOV5-5.x|【YOLOV5-5.x 源码解读】plots.py yolov5源码|plots.py|画图工具|源码

前言
0、导入需要的包和基本配置
1、Colors
2、plot_one_box、plot_one_box_PIL
- 2.1、plot_one_box
- 2.2、plot_one_box_PIL（没用到）
3、plot_wh_methods（没用到）
4、output_to_target、plot_images
- 4.1、output_to_target
- 4.1、plot_images
5、plot_lr_scheduler
6、hist2d、plot_test_txt、plot_targets_txt
- 6.1、hist2d
- 6.2、plot_test_txt
- 6.3、plot_targets_txt（没用到）
7、plot_labels
8、plot_evolution
9、plot_results、plot_results_overlay、butter_lowpass_filtfilt
- 9.1、plot_results
- 9.2、plot_results_overlay
- 9.3、butter_lowpass_filtfilt
10、feature_visualization
11、plot_study_txt（没用到）、profile_idetection（没用到）
总结

前言源码： YOLOv5源码.
导航: 【YOLOV5-5.x 源码讲解】整体项目文件导航.
注释版全部项目文件已上传至GitHub: yolov5-5.x-annotations.
\qquad 这个文件都是一些画图函数，是一个工具类。代码本身逻辑并不难，主要是一些包的函数可能大家没见过。这里我总结了一些画图包的一些常见的画图函数：【Opencv、ImageDraw、Matplotlib、Pandas、Seaborn】一些常见的画图函数。如果在下面代码中碰到不太熟的画图函数，可以查一下我的笔记或者自己百度一下。
0、导入需要的包和基本配置

import glob# 仅支持部分通配符的文件搜索模块 import math# 数学公式模块 import os# 与操作系统进行交互的模块 from copy import copy# 提供通用的浅层和深层copy操作 from pathlib import Path# Path将str转换为Path对象使字符串路径易于操作的模块import cv2# opencv库 import matplotlib# matplotlib模块 import matplotlib.pyplot as plt# matplotlib画图模块 import numpy as np# numpy矩阵处理函数库 import pandas as pd# pandas矩阵操作模块 import seaborn as sn# 基于matplotlib的图形可视化python包能够做出各种有吸引力的统计图表 import torch# pytorch框架 import yaml# yaml配置文件读写模块 from PIL import Image, ImageDraw, ImageFont# 图片操作模块 from torchvision import transforms# 包含很多种对图像数据进行变换的函数from utils.general import increment_path, xywh2xyxy, xyxy2xywh from utils.metrics import fitness# 设置一些基本的配置Settings matplotlib.rc('font', **{ 'size': 11})# 自定义matplotlib图上字体font大小size=11 # 在PyCharm 页面中控制绘图显示与否 # 如果这句话放在import matplotlib.pyplot as plt之前就算加上plt.show()也不会再屏幕上绘图放在之后其实没什么用 matplotlib.use('Agg')# for writing to files only

1、Colors \qquad 这是一个颜色类，用于选择相应的颜色，比如画框线的颜色，字体颜色等等。
Colors类代码：

class Colors: # Ultralytics color palette https://ultralytics.com/ def __init__(self): # hex = matplotlib.colors.TABLEAU_COLORS.values() hex = ('FF3838', 'FF9D97', 'FF701F', 'FFB21D', 'CFD231', '48F90A', '92CC17', '3DDB86', '1A9334', '00D4BB', '2C99A8', '00C2FF', '344593', '6473FF', '0018EC', '8438FF', '520085', 'CB38FF', 'FF95C8', 'FF37C7') # 将hex列表中所有hex格式(十六进制)的颜色转换rgb格式的颜色 self.palette = [self.hex2rgb('#' + c) for c in hex] # 颜色个数 self.n = len(self.palette)def __call__(self, i, bgr=False): # 根据输入的index 选择对应的rgb颜色 c = self.palette[int(i) % self.n] # 返回选择的颜色默认是rgb return (c[2], c[1], c[0]) if bgr else c@staticmethod def hex2rgb(h):# rgb order (PIL) # hex -> rgb return tuple(int(h[1 + i:1 + i + 2], 16) for i in (0, 2, 4))colors = Colors()# 初始化Colors对象下面调用colors的时候会调用__call__函数

使用起来也是比较简单只要直接输入颜色序号即可：

文章图片

2、plot_one_box、plot_one_box_PIL \qquad plot_one_box 和 plot_one_box_PIL 这两个函数都是用于在原图im上画一个bounding box，区别在于前者使用的是opencv画框，后者使用PIL画框。这两个函数的功能其实是重复的，其实我们用的比较多的是plot_one_box函数，plot_one_box_PIL几乎没用，了解下即可。
2.1、plot_one_box \qquad 这个函数通常用在检测nms后（detect.py中）将最终的预测bounding box在原图中画出来，不过这个函数依次只能画一个框框。
plot_one_box函数代码：

def plot_one_box(x, im, color=(128, 128, 128), label=None, line_thickness=3): """一般会用在detect.py中在nms之后变量每一个预测框，再将每个预测框画在原图上使用opencv在原图im上画一个bounding box :params x: 预测得到的bounding box[x1 y1 x2 y2] :params im: 原图要将bounding box画在这个图上array :params color: bounding box线的颜色 :params labels: 标签上的框框信息类别 + score :params line_thickness: bounding box的线宽 """ # check im内存是否连续 assert im.data.contiguous, 'Image not contiguous. Apply np.ascontiguousarray(im) to plot_on_box() input image.' # tl = 框框的线宽要么等于line_thickness要么根据原图im长宽信息自适应生成一个 tl = line_thickness or round(0.002 * (im.shape[0] + im.shape[1]) / 2) + 1# line/font thickness # c1 = (x1, y1) = 矩形框的左上角c2 = (x2, y2) = 矩形框的右下角 c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3])) # cv2.rectangle: 在im上画出框框c1: start_point(x1, y1)c2: end_point(x2, y2) # 注意: 这里的c1+c2可以是左上角+右下角也可以是左下角+右上角都可以 cv2.rectangle(im, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA) # 如果label不为空还要在框框上面显示标签label + score if label: tf = max(tl - 1, 1)# label字体的线宽 font thickness # cv2.getTextSize: 根据输入的label信息计算文本字符串的宽度和高度 # 0: 文字字体类型fontScale: 字体缩放系数thickness: 字体笔画线宽 # 返回retval 字体的宽高 (width, height), baseLine 相对于最底端文本的 y 坐标 t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0] c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3 # 同上面一样是个画框的步骤但是线宽thickness=-1表示整个矩形都填充color颜色 cv2.rectangle(im, c1, c2, color, -1, cv2.LINE_AA)# filled # cv2.putText: 在图片上写文本这里是在上面这个矩形框里写label + score文本 # (c1[0], c1[1] - 2)文本左下角坐标0: 文字样式fontScale: 字体缩放系数 # [225, 255, 255]: 文字颜色thickness: tf字体笔画线宽lineType: 线样式 cv2.putText(im, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)

这个函数一般会用在detect.py中在nms之后变量每一个预测框，再将每个预测框画在原图上如：

文章图片

效果如下所示：

文章图片

2.2、plot_one_box_PIL（没用到） \qquad 这个函数是用PIL在原图中画一个框，作用和plot_one_box一样，而且我们一般都是用plot_one_box而不用这个函数，所以了解下即可。
plot_one_box_PIL函数代码：

def plot_one_box_PIL(box, im, color=(128, 128, 128), label=None, line_thickness=None): """ 使用PIL在原图im上画一个bounding box :params box: 预测得到的bounding box[x1 y1 x2 y2] :params im: 原图要将bounding box画在这个图上array :params color: bounding box线的颜色 :params label: 标签上的bounding box框框信息类别 + score :params line_thickness: bounding box的线宽 """ # 将原图array格式->Image格式 im = Image.fromarray(im) # (初始化)创建一个可以在给定图像(im)上绘图的对象, 在之后调用draw.函数的时候不需要传入im参数，它是直接针对im上进行绘画的 draw = ImageDraw.Draw(im) # 设置绘制bounding box的线宽 line_thickness = line_thickness or max(int(min(im.size) / 200), 2) # 在im图像上绘制bounding box # xy: box [x1 y1 x2 y2] 左上角 + 右下角width: 线宽outline: 矩形外框颜色colorfill: 将整个矩形填充颜色color # outline和fill一般根据需求二选一 draw.rectangle(box, width=line_thickness, outline=color)# plot # 如果label不为空还要在框框上面显示标签label + score if label: # 加载一个TrueType或者OpenType字体文件("Arial.ttf"), 并且创建一个字体对象font, font写出的字体大小size=12 font = ImageFont.truetype("Arial.ttf", size=max(round(max(im.size) / 40), 12)) # 返回给定文本label的宽度txt_width和高度txt_height txt_width, txt_height = font.getsize(label) # 在im图像上绘制矩形框整个框框填充颜色color(用来存放label信息)[x1 y1 x2 y2]左上角 + 右下角 draw.rectangle([box[0], box[1] - txt_height + 4, box[0] + txt_width, box[1]], fill=color) # 在上面这个矩形中写入text信息(label)x1y1 左上角 draw.text((box[0], box[1] - txt_height + 1), label, fill=(255, 255, 255), font=font)# 再返回array类型的im(绘好bounding box和label的) return np.asarray(im)

3、plot_wh_methods（没用到） \qquad 这个函数主要是用来比较y a = e x y_a = e^x ya?=ex 、y b = ( 2 ? s i g m o i d ( x ) ) 2 y_b = (2 * sigmoid(x))^2 yb?=(2?sigmoid(x))2 、y c = ( 2 ? s i g m o i d ( x ) ) 1.6 y_c = (2 * sigmoid(x))^{1.6} yc?=(2?sigmoid(x))1.6 这三个函数图形的。其中y a y_a ya? 是普通的yolo method， y b y_b yb? 和y c y_c yc?是作者提出的powe method方法。在 https://github.com/ultralytics/yolov3/issues/168.中，作者由讨论过这个issue。作者在实验中发现使用原来的yolo method损失计算有时候会突然迅速走向无限None值, 而power method方式计算wh损失下降会比较平稳。最后实验证明y b y_b yb? 是最好的wh损失计算方式, yolov5的wh损失计算代码用的就是y b y_b yb? 计算方式如：
yolo.py：

文章图片

loss.py：

文章图片

plot_wh_methods函数代码：

def plot_wh_methods(): """没用到比较ya=e^x、yb=(2 * sigmoid(x))^2 以及 yc=(2 * sigmoid(x))^1.6 三个图形 wh损失计算的方式ya、yb、yc三种ya: yolo methodyb/yc: power method 实验发现使用原来的yolo method损失计算有时候会突然迅速走向无限None值, 而power method方式计算wh损失下降会比较平稳最后实验证明yb是最好的wh损失计算方式, yolov5的wh损失计算代码用的就是yb计算方式 Compares the two methods for width-height anchor multiplication https://github.com/ultralytics/yolov3/issues/168 """ x = np.arange(-4.0, 4.0, .1)# (-4.0, 4.0) 每隔0.1取一个值 ya = np.exp(x)# ya = e^xyolo method yb = torch.sigmoid(torch.from_numpy(x)).numpy() * 2# yb = 2 * sigmoid(x)fig = plt.figure(figsize=(6, 3), tight_layout=True)# 创建自定义图像初始化画布 plt.plot(x, ya, '.-', label='YOLOv3')# 绘制折线图可以任意加几条线 plt.plot(x, yb ** 2, '.-', label='YOLOv5 ^2') plt.plot(x, yb ** 1.6, '.-', label='YOLOv5 ^1.6') plt.xlim(left=-4, right=4)# 设置x轴、y轴范围 plt.ylim(bottom=0, top=6) plt.xlabel('input')# 设置x轴、y轴标签 plt.ylabel('output') plt.grid()# 生成网格 plt.legend()# 加上图例如果是折线图，需要在plt.plot中加入label参数(图例名) fig.savefig('comparison.png', dpi=200)# plt绘完图, fig.savefig()保存图片

\qquad 其实这个函数倒不是特别重要，只是可视化一下这三个函数，看看他们的区别，在代码中也没调用过这个函数。但是了解这种新型 wh 损失计算的方式（Power Method）还是很有必要的。
4、output_to_target、plot_images \qquad 这两个函数其实也是对检测到的目标格式进行处理（output_to_target）然后再将其画框显示在原图上（plot_images）。不过这两个函数是用在test.py中的，针对的也不再是一张图片一个框，而是整个batch中的所有框。而且plot_images会将整个batch的图片都画在一张大图mosaic中，画不下的就删除。这些都是plot_images函数和plot_one_box的区别。
4.1、output_to_target \qquad 这个函数是用于将经过nms后的output [num_obj，x1y1x2y2+conf+cls] -> [num_obj，batch_id+class+xywh+conf]。并不涉及画图操作，而是转化predict的格式，通常放在画图操作plot_images之前。
output_to_target函数代码：

def output_to_target(output): """用在test.py中进行绘制前3个batch的预测框predictions 因为只有predictions需要修改格式 target是不需要修改格式的将经过nms后的output [num_obj，x1y1x2y2+conf+cls] -> [num_obj, batch_id+class+x+y+w+h+conf] 转变格式以便在plot_images中进行绘图 + 显示label Convert model output to target format [batch_id, class_id, x, y, w, h, conf] :params output: list{tensor(8)}分别对应着当前batch的8(batch_size)张图片做完nms后的结果 list中每个tensor[n, 6]n表示当前图片检测到的目标个数6=x1y1x2y2+conf+cls :return np.array(targets): [num_targets, batch_id+class+xywh+conf]其中num_targets为当前batch中所有检测到目标框的个数 """ targets = [] for i, o in enumerate(output):# 对每张图片分别做处理 for *box, conf, cls in o.cpu().numpy():# 对每张图片的每个检测到的目标框进行convert格式 targets.append([i, cls, *list(*xyxy2xywh(np.array(box)[None])), conf]) return np.array(targets)

4.1、plot_images \qquad 这个函数是用来绘制一个batch的所有图片的框框（真实框或预测框）。使用在test.py中，且在output_to_target函数之后。而且这个函数是将一个batch的图片都放在一个大图mosaic上面，放不下删除。
plot_images函数代码:

def plot_images(images, targets, paths=None, fname='images.jpg', names=None, max_size=640, max_subplots=16): """用在test.py中进行绘制前3个batch的ground truth和预测框predictions(两个图) 一起保存或者train.py中将整个batch的labels都画在这个batch的images上 Plot image grid with labels :params images: 当前batch的所有图片Tensor [batch_size, 3, h, w]且图片都是归一化后的 :params targets:直接来自target: Tensor[num_target, img_index+class+xywh][num_target, 6] 来自output_to_target: Tensor[num_pred, batch_id+class+xywh+conf] [num_pred, 7] :params paths: tuple当前batch中所有图片的地址如: '..\\datasets\\coco128\\images\\train2017\\000000000315.jpg' :params fname: 最终保存的文件路径 + 名字runs\train\exp8\train_batch2.jpg :params names: 传入的类名从class index可以相应的key值但是默认是None 只显示class index不显示类名 :params max_size: 图片的最大尺寸640如果images有图片的大小(w/h)大于640则需要resize 如果都是小于640则不需要resize :params max_subplots: 最大子图个数 16 :params mosaic: 一张大图最多可以显示max_subplots张图片将总多的图片(包括各自的label框框)一起贴在一起显示 mosaic每张图片的左上方还会显示当前图片的名字最好以fname为名保存起来 """ if isinstance(images, torch.Tensor): images = images.cpu().float().numpy()# tensor -> numpy array if isinstance(targets, torch.Tensor): targets = targets.cpu().numpy()# 反归一化将归一化后的图片还原un-normalise if np.max(images[0]) <= 1: images *= 255# 设置一些基础变量 tl = 3# 设置线宽 line thickness3 tf = max(tl - 1, 1)# 设置字体笔画线宽 font thickness2 bs, _, h, w = images.shape# batch size 4, channel 3, height 512, width 512 bs = min(bs, max_subplots)# 子图总数正方形limit plot images4 ns = np.ceil(bs ** 0.5)# ns=每行/每列最大子图个数子图总数=ns*ns ceil向上取整2# Check if we should resize # 如果images有图片的大小(w/h)大于640则需要resize 如果都是小于640则不需要resize scale_factor = max_size / max(h, w)# 1.25 if scale_factor < 1: # 如果w/h有任何一条边超过640, 就要将较长边缩放到640, 另外一条边相应也缩放 h = math.ceil(scale_factor * h)# 512 w = math.ceil(scale_factor * w)# 512# np.full 返回一个指定形状、类型和数值的数组 # shape: (int(ns * h), int(ns * w), 3) (1024, 1024, 3)填充的值: 255dtype 填充类型: np.uint8 mosaic = np.full((int(ns * h), int(ns * w), 3), 255, dtype=np.uint8)# init # 对batch内每张图片 for i, img in enumerate(images):# img (3, 512, 512) # 如果图片要超过max_subplots我们就不管了 if i == max_subplots:# if last batch has fewer images than we expect break# (block_x, block_y) 相当于是左上角的左边 block_x = int(w * (i // ns))# // 取整00512512ns=2 block_y = int(h * (i % ns))# % 取余05120512img = img.transpose(1, 2, 0)# (512, 512, 3)h w c if scale_factor < 1:# 如果scale_factor < 1说明h/w超过max_size 需要resize回来 img = cv2.resize(img, (w, h))# 将这个batch的图片一张张的贴到mosaic相应的位置上hwc这里最好自己画个图理解下 # 第一张图mosaic[0:512, 0:512, :] 第二张图mosaic[512:1024, 0:512, :] # 第三张图mosaic[0:512, 512:1024, :] 第四张图mosaic[512:1024, 512:1024, :] mosaic[block_y:block_y + h, block_x:block_x + w, :] = img if len(targets) > 0: # 求出属于这张img的target image_targets = targets[targets[:, 0] == i] # 将这张图片的所有target的xywh -> xyxy boxes = xywh2xyxy(image_targets[:, 2:6]).T # 得到这张图片所有target的类别classes classes = image_targets[:, 1].astype('int') # 如果image_targets.shape[1] == 6则说明没有置信度信息(此时target实际上是真实框) # 如果长度为7则第7个信息就是置信度信息(此时target为预测框信息) labels = image_targets.shape[1] == 6# labels if no conf column # 得到当前这张图的所有target的置信度信息(pred) 如果没有就为空(真实label) # check for confidence presence (label vs pred) conf = None if labels else image_targets[:, 6]if boxes.shape[1]:# boxes.shape[1]不为空说明这张图有target目标 if boxes.max() <= 1.01:# if normalized with tolerance 0.01 # 因为图片是反归一化的所以这里boxes也反归一化 boxes[[0, 2]] *= w# scale to pixels boxes[[1, 3]] *= h elif scale_factor < 1: # 如果scale_factor < 1 说明resize过, 那么boxes也要相应变化 # absolute coords need scale if image scales boxes *= scale_factor # 上面得到的boxes信息是相对img这张图片的标签信息因为我们最终是要将img贴到mosaic上所以还要变换label->mosaic boxes[[0, 2]] += block_x boxes[[1, 3]] += block_y# 将当前的图片img的所有标签boxes画到mosaic上 for j, box in enumerate(boxes.T): # 遍历每个box cls = int(classes[j])# 得到这个box的class index color = colors(cls)# 得到这个box框线的颜色 cls = names[cls] if names else cls# 如果传入类名就显示类名如果没传入类名就显示class index# 如果labels不为空说明是在显示真实target 不需要conf置信度直接显示label即可 # 如果conf[j] > 0.25 首先说明是在显示pred 且这个box的conf必须大于0.25 相当于又是一轮nms筛选显示label + conf if labels or conf[j] > 0.25:# 0.25 conf thresh label = '%s' % cls if labels else '%s %.1f' % (cls, conf[j])# 框框上面的显示信息 plot_one_box(box, mosaic, label=label, color=color, line_thickness=tl)# 一个个的画框# 在mosaic每张图片相对位置的左上角写上每张图片的文件名如000000000315.jpg if paths: # paths[i]: '..\\datasets\\coco128\\images\\train2017\\000000000315.jpg'Path: str -> Wins地址 # .name: str'000000000315.jpg'[:40]取前40个字符最终还是等于str'000000000315.jpg' label = Path(paths[i]).name[:40]# trim to 40 char # 返回文本 label 的宽高 (width, height) t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0] # 在mosaic上写文本信息 # 要绘制的图像 +要写上前的文本信息 + 文本左下角坐标 + 要使用的字体 + 字体缩放系数 + 字体的颜色 + 字体的线宽 + 矩形边框的线型 cv2.putText(mosaic, label, (block_x + 5, block_y + t_size[1] + 5), 0, tl / 3, [220, 220, 220], thickness=tf, lineType=cv2.LINE_AA)# mosaic内每张图片与图片之间弄一个边界框隔开好看点其实做法特简单就是将每个img在mosaic中画个框即可 cv2.rectangle(mosaic, (block_x, block_y), (block_x + w, block_y + h), (255, 255, 255), thickness=3)# 最后一步 check是否需要将mosaic图片保存起来 if fname:# 文件名不为空的话 fname = runs\train\exp8\train_batch2.jpg # 限制mosaic图片尺寸 r = min(1280. / max(h, w) / ns, 1.0)# ratio to limit image size mosaic = cv2.resize(mosaic, (int(ns * w * r), int(ns * h * r)), interpolation=cv2.INTER_AREA) # cv2.imwrite(fname, cv2.cvtColor(mosaic, cv2.COLOR_BGR2RGB))# cv2 save最好BGR -> RGB再保存 Image.fromarray(mosaic).save(fname)# PIL save必须要numpy array -> tensor格式才能保存 return mosaic

这两个函数都是用在test.py函数中的：

文章图片

用在train.py：

文章图片

执行效果test.py（target）：

文章图片
执行效果test.py（predict）：

文章图片

5、plot_lr_scheduler \qquad 这个函数是用来画出在训练过程中每个epoch的学习率变化情况。
plot_lr_scheduler函数代码：

def plot_lr_scheduler(optimizer, scheduler, epochs=300, save_dir=''): """用在train.py中学习率设置后可视化一下 Plot LR simulating training for full epochs :params optimizer: 优化器 :params scheduler: 策略调整器 :params epochs: x :params save_dir: lr图片保存地址 """ optimizer, scheduler = copy(optimizer), copy(scheduler)# do not modify originals y = []# 存放每个epoch的学习率# 从optimizer中取学习率一个epoch取一个共取epochs个每取一次需要使用scheduler.step更新下一个epoch的学习率 for _ in range(epochs): scheduler.step()# 更新下一个epoch的学习率 # ptimizer.param_groups[0]['lr']: 取下一个epoch的学习率lr y.append(optimizer.param_groups[0]['lr']) plt.plot(y, '.-', label='LR')# 没有传入x 默认会传入 0..epochs-1 plt.xlabel('epoch') plt.ylabel('LR') plt.grid() plt.xlim(0, epochs) plt.ylim(0) plt.savefig(Path(save_dir) / 'LR.png', dpi=200)# 保存 plt.close()

通常用于train.py中学习率设置后可视化一下：

文章图片

执行效果：

文章图片

6、hist2d、plot_test_txt、plot_targets_txt 6.1、hist2d \qquad 这个函数是使用numpy工具画出2d直方图。不过好像用的不多，大多数都是调用工具包封装好的2d直方图方法，所以这个包其实只在plot_evolution函数和plot_test_txt函数中使用。
hist2d函数代码：

def hist2d(x, y, n=100): """用在plot_evolution和plot_test_txt 使用numpy画出2d直方图 2d histogram used in labels.png and evolve.png """ # xedges: 返回在start=x.min()和stop=x.max()之间返回均匀间隔的n个数据 xedges, yedges = np.linspace(x.min(), x.max(), n), np.linspace(y.min(), y.max(), n) # np.histogram2d: 2d直方图x: x轴坐标y: y轴坐标(xedges, yedges): binsx, y轴的长条形数目 # 返回hist: 直方图对象xedges: x轴对象yedges: y轴对象 hist, xedges, yedges = np.histogram2d(x, y, (xedges, yedges)) # np.clip: 截取函数令目标内所有数据都属于一个范围 [0, hist.shape[0] - 1] 小于0的等于0 大于同理 # np.digitize 用于分区 xidx = np.clip(np.digitize(x, xedges) - 1, 0, hist.shape[0] - 1)# x轴坐标 yidx = np.clip(np.digitize(y, yedges) - 1, 0, hist.shape[1] - 1)# y轴坐标 return np.log(hist[xidx, yidx])

6.2、plot_test_txt \qquad 这个函数是利用test.py中生成的test.txt文件（或者其他的*.txt文件），画出其xy直方图和xy双直方图。其实这个plot_test_txt这个函数作者并没有使用它，但是我们确实可以自己写一个脚本来执行这个函数，观察一下预测到的所有图像的目标情况（wh分布）。
plot_test_txt函数代码：

def plot_test_txt(test_dir='test.txt'): """可以自己写个脚本执行test.txt文件利用test.txtxyxy画出其直方图和双直方图 Plot test.txt histograms :params test_dir: test.py中生成的一些 save_dir/labels中的txt文件 """ # x [:, xyxy] x = np.loadtxt(test_dir, dtype=np.float32) box = xyxy2xywh(x[:, 2:6])# xyxy to xywh这里我改了下原来是0:4 但我发现txt中存放的是 cls+conf+xyxy cx, cy = box[:, 0], box[:, 1]# x y# 将figure分成1行1列figure size=(6, 6)tight_layout=true 会自动调整子图参数, 使之填充整个图像区域 # 返回figure(绘图对象)和axes(坐标对象) fig, ax = plt.subplots(1, 1, figsize=(6, 6), tight_layout=True) # hist2d: 双直方图cx: x坐标cy: y坐标bins: 横竖分为几条cmax、cmin: 所有的bins的值少于cmin和大于cmax的不显示 ax.hist2d(cx, cy, bins=600, cmax=10, cmin=0) ax.set_aspect('equal')# 设置两个轴的长度始终相同figure为正方形 plt.savefig('hist2d.png', dpi=300)fig, ax = plt.subplots(1, 2, figsize=(12, 6), tight_layout=True) # hist 正常直方图 cx: 绘图数据bins: 直方图的长条形数目normed: 是否将得到的直方图向量归一化 #facecolor: 长条形的颜色edgecolor:长条形边框的颜色alpha:透明度 ax[0].hist(cx, bins=600) ax[1].hist(cy, bins=600) plt.savefig('hist1d.png', dpi=200)

自己写个脚本使用：

文章图片

hist1d.png效果（横坐标分别是w和h，纵坐标是个数）：

文章图片

hist2d.png效果（横坐标是x纵坐标是y）：

文章图片

6.3、plot_targets_txt（没用到） \qquad 这个函数是利用targets.txt（真实框的xywh）画出其直方图。但是并没有使用这个函数，而且细心的可以发现这个函数和之后的plot_labels函数是重复的。所以这个函数就随便看看吧。
plot_targets_txt函数代码：

def plot_targets_txt(): """没用到和plot_labels作用重复利用targets.txtxywh画出其直方图 Plot targets.txt histograms """ # x [:, xywh] x = np.loadtxt('targets.txt', dtype=np.float32).T s = ['x targets', 'y targets', 'width targets', 'height targets'] fig, ax = plt.subplots(2, 2, figsize=(8, 8), tight_layout=True) ax = ax.ravel()# 将多维数组降位一维 for i in range(4): ax[i].hist(x[i], bins=100, label='%.3g +/- %.3g' % (x[i].mean(), x[i].std())) ax[i].legend()# 显示上行label图例 ax[i].set_title(s[i]) plt.savefig('targets.jpg', dpi=200)

7、plot_labels \qquad 这个函数是根据从datasets中取到的labels，分析其类别分布，画出labels相关直方图信息。最终会生成labels_correlogram.jpg和labels.jpg两张图片。labels_correlogram.jpg包含所有标签的 x，y，w，h的多变量联合分布直方图：查看两个或两个以上变量之间两两相互关系的可视化形式（里面包含x、y、w、h两两之间的分布直方图）。而labels.jpg包含了：ax[0]画出classes的各个类的分布直方图，ax[1]画出所有的真实框；ax[2]画出xy直方图；ax[3]画出wh直方图。
plot_labels函数代码：

def plot_labels(labels, names=(), save_dir=Path(''), loggers=None): """通常用在train.py中加载数据datasets和labels后对labels进行可视化分析labels信息 plot dataset labels生成labels_correlogram.jpg和labels.jpg画出数据集的labels相关直方图信息 :params labels: 数据集的全部真实框标签(num_targets, class+xywh)(929, 5) :params names: 数据集的所有类别名 :params save_dir: runs\train\exp21 :params loggers: 日志对象 """ print('Plotting labels... ') # c: classes (929)b: boxesxywh (4, 929).transpose() 将(4, 929) -> (929, 4) c, b = labels[:, 0], labels[:, 1:].transpose() nc = int(c.max() + 1)# 类别总数 number of classes80 # pd.DataFrame: 创建DataFrame, 类似于一种excel, 表头是['x', 'y', 'width', 'height']表格数据: b中数据按行依次存储 x = pd.DataFrame(b.transpose(), columns=['x', 'y', 'width', 'height'])# 1、画出labels的 xywh 各自联合分布直方图labels_correlogram.jpg # seaborn correlogramseaborn.pairplot多变量联合分布图: 查看两个或两个以上变量之间两两相互关系的可视化形式 # data: 联合分布数据xdiag_kind:表示联合分布图中对角线图的类型kind:表示联合分布图中非对角线图的类型 # corner: True 表示只显示左下侧因为左下和右上是重复的plot_kws,diag_kws: 可以接受字典的参数，对图形进行微调 sn.pairplot(x, corner=True, diag_kind='auto', kind='hist', diag_kws=dict(bins=50), plot_kws=dict(pmax=0.9)) plt.savefig(save_dir / 'labels_correlogram.jpg', dpi=200)# 保存labels_correlogram.jpg plt.close()# 2、画出classes的各个类的分布直方图ax[0], 画出所有的真实框ax[1], 画出xy直方图ax[2], 画出wh直方图ax[3] labels.jpg matplotlib.use('svg')# faster # 将整个figure分成2*2四个区域 ax = plt.subplots(2, 2, figsize=(8, 8), tight_layout=True)[1].ravel() # 第一个区域ax[1]画出classes的分布直方图 y = ax[0].hist(c, bins=np.linspace(0, nc, nc + 1) - 0.5, rwidth=0.8) # [y[2].patches[i].set_color([x / 255 for x in colors(i)]) for i in range(nc)]# update colors bug #3195 ax[0].set_ylabel('instances')# 设置y轴label if 0 < len(names) < 30:# 小于30个类别就把所有的类别名作为横坐标 ax[0].set_xticks(range(len(names)))# 设置刻度 ax[0].set_xticklabels(names, rotation=90, fontsize=10)# 旋转90度设置每个刻度标签 else: ax[0].set_xlabel('classes')# 如果类别数大于30个, 可能就放不下去了, 所以只显示x轴label # 第三个区域ax[2]画出xy直方图第四个区域ax[3]画出wh直方图 sn.histplot(x, x='x', y='y', ax=ax[2], bins=50, pmax=0.9) sn.histplot(x, x='width', y='height', ax=ax[3], bins=50, pmax=0.9)# 第二个区域ax[1]画出所有的真实框 labels[:, 1:3] = 0.5# center xy labels[:, 1:] = xywh2xyxy(labels[:, 1:]) * 2000# xyxy img = Image.fromarray(np.ones((2000, 2000, 3), dtype=np.uint8) * 255)# 初始化一个窗口 for cls, *box in labels[:1000]:# 把所有的框画在img窗口中 ImageDraw.Draw(img).rectangle(box, width=1, outline=colors(cls))# plot ax[1].imshow(img) ax[1].axis('off')# 不要xy轴# 去掉上下左右坐标系(去掉上下左右边框) for a in [0, 1, 2, 3]: for s in ['top', 'right', 'left', 'bottom']: ax[a].spines[s].set_visible(False)plt.savefig(save_dir / 'labels.jpg', dpi=200) matplotlib.use('Agg') plt.close()# 打印日志 loggers for k, v in loggers.items() or { }: if k == 'wandb' and v: v.log({ "Labels": [v.Image(str(x), caption=x.name) for x in save_dir.glob('*labels*.jpg')]}, commit=False)

这个函数一般会用在train.py的载入数据datasets和labels后，统计分析labels相关分布信息：

文章图片

labels_correlogram.jpg执行效果：

文章图片

labels.jpg执行效果：

文章图片

8、plot_evolution \qquad 这个函数用于超参进化的最后阶段，负责画出每个超参进化的结果。最终会生成evolve.png，里面是每个超参的进化情况以及相对应的mAP的散点图，每5个超参一行，并且会用 ‘+’ 标注好最佳mAP对应的超参值。且每个散点图会输出最佳mAP对应的每个超参的最佳超参。而且plot_evolution也调用了上面的hist2d函数。
【YOLOV5-5.x|【YOLOV5-5.x 源码解读】plots.py】plot_evolution函数代码：

def plot_evolution(yaml_file='data/hyp.finetune.yaml', save_dir=Path('')): """用在train.py的超参进化算法后，输出参超进化的结果超参进化在每一轮都会产生一系列的进化后的超参(存在yaml_file)以及每一轮都会算出当前轮次的7个指标(evolve.txt) 这个函数要做的就是把每个超参在所有轮次变化的值和maps以散点图的形式显示出来,并标出最大的map对应的超参值一个超参一个散点图 :params yaml_file: 'runs/train/evolve/hyp_evolved.yaml' """ with open(yaml_file) as f: hyp = yaml.safe_load(f)# 导入超参文件 # evolve.txt中每一行为一次进化的结果 # 每行前七个数字(P, R, mAP, F1, test_losses(GIOU, obj, cls)) 之后为hyp x = np.loadtxt('evolve.txt', ndmin=2) f = fitness(x)# 得到所有进化轮次后得到的加权形式的map # weights = (f - f.min()) ** 2# for weighted results plt.figure(figsize=(10, 12), tight_layout=True) matplotlib.rc('font', **{ 'size': 8})# 设置matplotlib参数 font_size: 8 for i, (k, v) in enumerate(hyp.items()): y = x[:, i + 7]# y=当前超参在每一轮进化后的值 # mu = (y * weights).sum() / weights.sum()# best weighted result mu = y[f.argmax()]# 得到加权map最大的epoch时的超参(认为这个超参为所有轮次的最佳超参) plt.subplot(6, 5, i + 1)# 假设有30个参数6行5列一个部分画一个图 # 画出每个超参变化的散点图x: x坐标为当前超参每一轮进化后的值yy: y坐标为所有进化轮次后得到的加权形式的map # c: 色彩或颜色cmap: Colormap实例alpha:edgecolors: 边框颜色 plt.scatter(y, f, c=hist2d(y, f, 20), cmap='viridis', alpha=.8, edgecolors='none') # 在当前小图上再画出最佳map时对应的超参大大的 '+' 做记号 plt.plot(mu, f.max(), 'k+', markersize=15) plt.title('%s = %.3g' % (k, mu), fontdict={ 'size': 9})# limit to 40 characters if i % 5 != 0:# 一行只能画5个小图 plt.yticks([]) print('%15s: %.3g' % (k, mu))# 输出最佳超参 plt.savefig(save_dir / 'evolve.png', dpi=200)# 保存evolve.png print('\nPlot saved as evolve.png')

这个函数通常会用在train.py的超参进化算法后，输出参超进化的结果：

文章图片

函数执行效果evolve.png:

文章图片

9、plot_results、plot_results_overlay、butter_lowpass_filtfilt \qquad 这三个函数都是用来对result.txt中的各项指标进行可视化的，但是plot_results是将一个指标画在折线图上（共10个折线图），而 plot_results_overlay要做的是将原先的10个显示的指标，两个两个进行对比画在同一个折线图上（共5个折线图）。最后的butter_lowpass_filtfilt函数
9.1、plot_results \qquad 这个函数是将训练后的结果 results.txt 中相关的训练指标画出来。
\qquad result.txt中一行的元素分别有：当前epoch/总epochs-1 、当前的显存容量mem、box回归损失、obj置信度损失、cls分类损失、训练总损失、真实目标数量num_target、图片尺寸img_shape、Precision、Recall、map@0.5、map@0.5:0.95、测试box回归损失、测试obj置信度损、测试cls分类损失。
\qquad 在result.txt中画出的指标有：训练回归损失Box、训练置信度损失Objectness、训练分类损失Classification、Precision、Recall、验证回归损失 val Box、验证置信度损失val Objectness、验证分类损失val Classification、mAP@0.5、mAP@0.5:0.95。
plot_results函数代码：

def plot_results(start=0, stop=0, bucket='', id=(), save_dir=''): """'用在训练结束, 对训练结果进行可视化画出训练完的 results.txt Plot training 'results*.txt' 最终生成results.png :params start: 读取数据的开始epoch因为result.txt的数据是一个epoch一行的 :params stop: 读取数据的结束epoch :params bucket: 是否需要从googleapis中下载results*.txt文件 :params id: 需要从googleapis中下载的results + id.txt 默认为空 :params save_dir: 'runs\train\exp22' """ # 建造一个figure 分割成2行5列, 由10个小subplots组成 fig, ax = plt.subplots(2, 5, figsize=(12, 6), tight_layout=True) ax = ax.ravel()# 将多维数组降为一维 s = ['Box', 'Objectness', 'Classification', 'Precision', 'Recall', 'val Box', 'val Objectness', 'val Classification', 'mAP@0.5', 'mAP@0.5:0.95']# titlesif bucket: # files = ['https://storage.googleapis.com/%s/results%g.txt' % (bucket, x) for x in id] files = ['results%g.txt' % x for x in id] c = ('gsutil cp ' + '%s ' * len(files) + '.') % tuple('gs://%s/results%g.txt' % (bucket, x) for x in id)# cmd指令 os.system(c)# 使用cmd指令从googleapis中下载results*.txt else: # 不从网盘上下载就直接从文件目录中模糊查找如files=[WindowsPath('runs/train/exp22/results.txt')] files = list(Path(save_dir).glob('results*.txt'))# 搜索save_dir目录下类似'results*.txt'文件名的文件 assert len(files), 'No results.txt files found in %s, nothing to plot.' % os.path.abspath(save_dir)# 读取files文件数据进行可视化 for fi, f in enumerate(files): try: # files 原始一行: epoch/epochs - 1, memory, Box, Objectness, Classification, sum_loss, targets.shape[0], img_shape, Precision, Recall, map@0.5, map@0.5:0.95, Val Box, Val Objectness, Val Classification # 只使用[2, 3, 4, 8, 9, 12, 13, 14, 10, 11]列 (10, 1) 分布对应 => # [Box, Objectness, Classification, Precision, Recall, Val Box, Val Objectness, Val Classification, map@0.5, map@0.5:0.95] results = np.loadtxt(f, usecols=[2, 3, 4, 8, 9, 12, 13, 14, 10, 11], ndmin=2).T# (10, 1) n = results.shape[1]# number of rows 1 # 根据start(epoch)和stop(epoch)读取相应的轮次的数据 x = range(start, min(stop, n) if stop else n) for i in range(10):# 分别可视化这10个指标 y = results[i, x] if i in [0, 1, 2, 5, 6, 7]: y[y == 0] = np.nan# loss值不能为0 要显示为np.nan # y /= y[0]# normalize # label = labels[fi] if len(labels) else f.stem ax[i].plot(x, y, marker='.', linewidth=2, markersize=8)# 画子图 # ax[i].plot(x, y, marker='.', label=label, linewidth=2, markersize=8) ax[i].set_title(s[i])# 设置子图标题 # if i in [5, 6, 7]:# share train and val loss y axes #ax[i].get_shared_y_axes().join(ax[i], ax[i - 5]) except Exception as e: print('Warning: Plotting error for %s; %s' % (f, e))# ax[1].legend() fig.savefig(Path(save_dir) / 'results1.png', dpi=200)# 保存results.png

这个函数会用在train.py训练结束后对训练结果进行可视化：

文章图片

执行结果result1.png：

文章图片

9.2、plot_results_overlay \qquad 这个函数还是将result.txt文件中的各项指标进行可视化，不过将原先的10个折线图减为5个折线图, train和val两两相对比。
plot_results_overlay函数代码：

def plot_results_overlay(start=0, stop=0): """可以用在train.py或者自写一个文件画出训练完的 results.txt Plot training 'results*.txt' 而且将原先的10个折线图缩减为5个折线图, train和val相对比 Plot training 'results*.txt', overlaying train and val losses """ s = ['train', 'train', 'train', 'Precision', 'mAP@0.5', 'val', 'val', 'val', 'Recall', 'mAP@0.5:0.95']# legends t = ['Box', 'Objectness', 'Classification', 'P-R', 'mAP-F1']# titles# 遍历每个模糊查询匹配到的results*.txt for f in sorted(glob.glob('results*.txt') + glob.glob('../../Downloads/results*.txt')): # files 原始一行: epoch/epochs - 1, memory, Box, Objectness, Classification, sum_loss, targets.shape[0], img_shape, Precision, Recall, map@0.5, map@0.5:0.95, Val Box, Val Objectness, Val Classification # 只使用[2, 3, 4, 8, 9, 12, 13, 14, 10, 11]列 (10, 1) 分布对应 => # [Box, Objectness, Classification, Precision, Recall, Val Box, Val Objectness, Val Classification, map@0.5, map@0.5:0.95] results = np.loadtxt(f, usecols=[2, 3, 4, 8, 9, 12, 13, 14, 10, 11], ndmin=2).T# (10, 1) n = results.shape[1]# number of rows1 # 根据start(epoch)和stop(epoch)读取相应的轮次的数据 x = range(start, min(stop, n) if stop else n) # 建造一个figure 分割成1行5列, 由5个小subplots组成 [Box, Objectness, Classification, P-R, mAP-F1] fig, ax = plt.subplots(1, 5, figsize=(14, 3.5), tight_layout=True) ax = ax.ravel()# 将多维数组降为一维# 分别可视化这5个指标 [Box, Objectness, Classification, P-R, mAP-F1] for i in range(5): for j in [i, i + 5]:# 每个指标都要读取train(i) + val(i+5)两个值 y = results[j, x] ax[i].plot(x, y, marker='.', label=s[j]) # y_smooth = butter_lowpass_filtfilt(y)# y抖动太大就取一个平滑版本 # ax[i].plot(x, np.gradient(y_smooth), marker='.', label=s[j])ax[i].set_title(t[i])# 设置子图标题 ax[i].legend()# 设置子图图例legend ax[i].set_ylabel(f) if i == 0 else None# add filename fig.savefig(f.replace('.txt', '.png'), dpi=200)# 保存result.png

这个函数可以放在plot_results下面，也可以自己写一个：

文章图片

执行结果result.py：

文章图片

9.3、butter_lowpass_filtfilt \qquad 这个函数是为了防止在训练时有些指标非常的抖动，导致画出来很难看，比如下面这种情况：

文章图片

红色部分真实值非常抖动，画出来很难看，那我们就对它进行一个平滑处理，取它的一个近似值。
butter_lowpass_filtfilt函数代码：

def butter_lowpass_filtfilt(data, cutoff=1500, fs=50000, order=5): """ 当data值抖动太大, 就取data的平滑曲线 """ from scipy.signal import butter, filtfilt# https://stackoverflow.com/questions/28536191/how-to-filter-smooth-with-scipy-numpy def butter_lowpass(cutoff, fs, order): nyq = 0.5 * fs normal_cutoff = cutoff / nyq return butter(order, normal_cutoff, btype='low', analog=False)b, a = butter_lowpass(cutoff, fs, order=order) return filtfilt(b, a, data)# forward-backward filter

\qquad 这部分的代码是用在上面plot_results_overlay函数里面的，不过它是注释掉的，如果发现自己训练的结果发生上面的那种抖动情况，大家可以打开注释，或者任意调用这个函数达到一种平滑效果。这个函数代码我是每有看的，感兴趣可以自己读读，就几行应该不难。
10、feature_visualization \qquad 这个函数是用来可视化feature map的，而且可以实现可视化网络中任意一层的feature map。
函数代码：

def feature_visualization(x, module_type, stage, n=64): """用在yolo.py的Model类中的forward_once函数中自行选择任意层进行可视化该层feature map 可视化feature map(模型任意层都可以用) :params x: Features map[bs, channels, height, width] :params module_type: Module type :params stage: Module stage within model :params n: Maximum number of feature maps to plot """ batch, channels, height, width = x.shape# batch, channels, height, width if height > 1 and width > 1: project, name = 'runs/features', 'exp' save_dir = increment_path(Path(project) / name)# increment run save_dir.mkdir(parents=True, exist_ok=True)# make save dirplt.figure(tight_layout=True) # torch.chunk: 与torch.cat()原理相反将tensor x按dim（行或列）分割成channels个tensor块, 返回的是一个元组 # 将第2个维度(channels)将x分成channels份每张图有三个block batch张图blocks=len(blocks)=3*batch blocks = torch.chunk(x, channels, dim=1) n = min(n, len(blocks))# 总共可视化的feature map数量 for i in range(n): feature = transforms.ToPILImage()(blocks[i].squeeze())# tensor -> PIL Image ax = plt.subplot(int(math.sqrt(n)), int(math.sqrt(n)), i + 1)# 根号n行根号n列当前属于第i+1张子图 ax.axis('off') plt.imshow(feature)# cmap='gray' 可视化当前feature mapf = f"stage_{ stage}_{ module_type.split('.')[-1]}_features.png" print(f'Saving { save_dir / f}...') plt.savefig(save_dir / f, dpi=300)

通常这个函数是把他放在yolo.py的Model类中的forward_once函数中：

文章图片

自己可以在if中选择要查看的任意一层feature map。
原图：

执行效果：

文章图片

11、plot_study_txt（没用到）、profile_idetection（没用到） \qquad 剩下的这两个函数是没什么用的，plot_study_txt是test.py中opt.task == 'study’时评估yolov5系列和yolov3-spp各个模型在各个尺度下的指标并可视化，但是其实我们几乎用不到这里。另外一个函数profile_idetection完全没用到。所以这两个函数不看也可以。

def plot_study_txt(path='', x=None): """没用到 Plot study.txt generated by test.py """ plot2 = False# plot additional results if plot2: ax = plt.subplots(2, 4, figsize=(10, 6), tight_layout=True)[1].ravel()fig2, ax2 = plt.subplots(1, 1, figsize=(8, 4), tight_layout=True) # for f in [Path(path) / f'study_coco_{x}.txt' for x in ['yolov5s6', 'yolov5m6', 'yolov5l6', 'yolov5x6']]: for f in sorted(Path(path).glob('study*.txt')): y = np.loadtxt(f, dtype=np.float32, usecols=[0, 1, 2, 3, 7, 8, 9], ndmin=2).T x = np.arange(y.shape[1]) if x is None else np.array(x) if plot2: s = ['P', 'R', 'mAP@.5', 'mAP@.5:.95', 't_preprocess (ms/img)', 't_inference (ms/img)', 't_NMS (ms/img)'] for i in range(7): ax[i].plot(x, y[i], '.-', linewidth=2, markersize=8) ax[i].set_title(s[i])j = y[3].argmax() + 1 ax2.plot(y[5, 1:j], y[3, 1:j] * 1E2, '.-', linewidth=2, markersize=8, label=f.stem.replace('study_coco_', '').replace('yolo', 'YOLO'))ax2.plot(1E3 / np.array([209, 140, 97, 58, 35, 18]), [34.6, 40.5, 43.0, 47.5, 49.7, 51.5], 'k.-', linewidth=2, markersize=8, alpha=.25, label='EfficientDet')ax2.grid(alpha=0.2) ax2.set_yticks(np.arange(20, 60, 5)) ax2.set_xlim(0, 57) ax2.set_ylim(30, 55) ax2.set_xlabel('GPU Speed (ms/img)') ax2.set_ylabel('COCO AP val') ax2.legend(loc='lower right') plt.savefig(str(Path(path).name) + '.png', dpi=300)def profile_idetection(start=0, stop=0, labels=(), save_dir=''): """没用到 Plot iDetection '*.txt' per-image logs """ ax = plt.subplots(2, 4, figsize=(12, 6), tight_layout=True)[1].ravel() s = ['Images', 'Free Storage (GB)', 'RAM Usage (GB)', 'Battery', 'dt_raw (ms)', 'dt_smooth (ms)', 'real-world FPS'] files = list(Path(save_dir).glob('frames*.txt')) for fi, f in enumerate(files): try: results = np.loadtxt(f, ndmin=2).T[:, 90:-30]# clip first and last rows n = results.shape[1]# number of rows x = np.arange(start, min(stop, n) if stop else n) results = results[:, x] t = (results[0] - results[0].min())# set t0=0s results[0] = x for i, a in enumerate(ax): if i < len(results): label = labels[fi] if len(labels) else f.stem.replace('frames_', '') a.plot(t, results[i], marker='.', label=label, linewidth=1, markersize=5) a.set_title(s[i]) a.set_xlabel('time (s)') # if fi == len(files) - 1: #a.set_ylim(bottom=0) for side in ['top', 'right']: a.spines[side].set_visible(False) else: a.remove() except Exception as e: print('Warning: Plotting error for %s; %s' % (f, e))ax[1].legend() plt.savefig(Path(save_dir) / 'idetection_profile.png', dpi=200)

总结 \qquad 这个文件的代码主要是一些画图用的工具函数，和我们目标检测的主要流程其实没用什么关系。比较重要的函数有：plot_one_box、output_to_target、plot_images、plot_labels、plot_evolution、plot_results、plot_results_overlay、feature_visualization等。
–2021.08.02 22:14