一、无法使用pycocotools进行评估

yolov7有自己的计算mAP方式，但是在使用pycocotools进行test时，出现了pycocotools unable to run: Results do not correspond to current coco set。

这个问题是因为yolo在保存json结果时，把image_id保存为了图片的文件名，而不是对应的图片ID。按照COCO数据集的annotation格式来说，每张图片都会有一个image_id，比如这里的task_0056_000000对应的image_id应该是0。在进行测试时，pycocotools找不到对应的image_id，所以报错。
但是coco数据集的图片命名是以纯数字命名的，所以图片的文件名即可作为ID，所以训练coco数据集不会有这个问题。
在这里插入图片描述
所以，应该把yolo保存的json文件中的image_id做一个转换，在test.py文件增加一段代码，来获取文件名和id的键值对。

with open(anno_json, "r") as f:
    anns = json.load(f)
imagenames2id = {ann["file_name"].split(".")[0]: ann["id"] for ann in anns["images"]}

for pre_ann in jdict:
    pre_ann["image_id"] = imagenames2id[pre_ann["image_id"]]

增加代码后，即可获取正确的JSON格式数据。
在这里插入图片描述

其实这里可以更改anno_json，设置为自己保存验证集annotation的路径即可

二、使用pycocotools计算的结果与YOLO自身的mAP差异较大的原因

首先，强烈推荐在传命令行参数：--data data/coco.yaml 时，如果是训练自己的数据集，最好新建或者重命名改yaml文件并且不要以coco.yaml结尾

解决了问题一，可以计算出结果，但是pycocotools计算得到的结果与yolo计算的相差非常大。yolo计算得到mAP时27.3，但是此时调用coco的api计算得到的只有0.005
包括YOLO V7的github上也有人提issue，见：COCO eval produce wrong results

在这里插入图片描述
通过查看源码，判断应该是命令行参数：--data data/coco.yaml 的问题，不管是在训练时还是在测试时，都需要传入数据集的YAML文件，当时是直接修改项目中自带的 data/coco.yaml，没有新建一个YAML文件。

这时候问题来了，在test.py文件中，有这么一个判断（其实是不是改成 data == "coco.yaml"更合理）：
在这里插入图片描述
如果命令行参数data以coco.yaml结尾，那么is_coco变量就为True。也就是默认你是在训练coco数据集，而众所周知，coco数据集里面的类别ID是不连续的，coco总共只有80类，但是ID最大值却为91，这时候问题就出现了，我们自己的数据集类别ID在转化成coco格式时是从0开始的，并且是连续的，所以在保存JSON文件时，如果你是coco数据集，会帮你做一个映射也就是，红框中的coco91class，会帮你把0-79的ID（即80类）映射成1-91。

在这里插入图片描述

映射方式如下，即返回一个列表，进行索引，可以看出索引为0时，值已经变成1了。但我们的类别索引应该是不用映射的，但是我们传入：--data data/coco.yaml ，此时is_coco已经为True，所以自动帮我们进行了映射，映射以后类别信息就已经错了，所以导致mAP极低，与yolo计算的相差很大（虽然两者的计算方式不同本身会产生误差）。

在这里插入图片描述

在训练自己的数据集时，我们只需将is_coco = Fasle即可。更加推荐在传命令行参数：--data data/coco.yaml 时，如果是训练自己的数据集，最好新建或者重命名改yaml文件并且不要以coco.yaml结尾
即使自己标注的数据集类别ID也是从1开始，也推荐这样做，毕竟coco数据集里面有缺失值，与yolo计算的mAP误差较大可以考虑是由于映射造成的。