在进行实验的过程中，博主一直使用的是COCO数据集，其评价指标如下所示，包含大中小目标的AP值与AR值。博主选用了yolov5与yolov7进行实验，其中yolov5成功，yolov7却出现了问题。

随后博主在进行对比实验时使用了YOLO模型，其默认是不输出大中小目标的AP值的，为了能够获取这个评价指标值，我们需要对val.py文件进行修改。

下载依赖

首先是我们所需的依赖包：pycocotools

pip install pycocotools

数据集测试

yolov5要执行val.py。yolov7中是test.py，需要加载我们的训练完成的模型文件，其参数与训练时大致相同。

修改文件

首先是将--save-json加上default="True"

parser.add_argument('--save-json', action='store_true', help='save a cocoapi-compatible JSON results file')

其次将下面这句代码注释掉：

opt.save_json |= opt.data.endswith('coco.yaml')

报错处理

报错1：

File "/home/ubuntu/anaconda3/envs/python/lib/python3.8/site-packages/torch/serialization.py", line 1033, in _legacy_load
    magic_number = pickle_module.load(f, **pickle_load_args)
_pickle.UnpicklingError: STACK_GLOBAL requires str

将数据集中的cache文件删除即可，然后重新运行。

运行结果如下，说明该程序已经没有问题了。

报错2：

可以看到下面报错，这是由于我们的COCO数据集验证时需要json格式的标注文件，而这个文件要放在./coco/annotations/文件夹下，那么我们将instances_val2017.json文件复制一份到yolov7根目录的./coco/annotations即可

Speed: 9.4/1.1/10.4 ms inference/NMS/total per 640x640 image at batch-size 4
Evaluating pycocotools mAP... saving runs/test/exp7/best_predictions.json...
loading annotations into memory...
pycocotools unable to run: [Errno 2] No such file or directory: './coco/annotations/instances_val2017.json'

需要注意的是yolov5在这里的报错与yolov7是有些许不同的：
这里他要存放json的地址为../datasets/coco/annotations/instances_val2017.json

loading annotations into memory...
pycocotools unable to run: [Errno 2] No such file or directory: '../datasets/coco/annotations/instances_val2017.json'
Results saved to runs/val/exp3

报错3

然而yolov7却出现下面问题：

起初我是先做的yolov7的，开始以为是数据集出现了问题，然而在yolov5中却是正常的，那么就只能是yolov7的修改方式与yolov5不同所导致的。
看到有人说test.py文件要将is_coco手动设置为True，不知道为什么这里结果是False，手动设置为True的话会执行下面coco80->91的函数，因为coco标签文件是到91的，如果不转评估结果都是0。但博主实验后发现不行。

随后在查阅资料时误打误撞，将下面这句代码修改，说实话真不知道为啥这样改，但结果就是成功了。
原本代码

'category_id': coco91class[int(p[5])] if is_coco else int(p[5]),

修改后代码：

'category_id':  int(p[5])

再次运行就OK了。

yolov7运行结果

yolov5运行结果

yolov5的运行效果如下图所示，但却发现yolo的评价结果值要比coco的值高了一点，不过倒也无伤大雅。