告别eval_pr_curve.py！MMdetection 3.X版本PR曲线绘制保姆级教程（附完整配置文件修改）

MMdetection 3.X版本PR曲线绘制全攻略：从配置文件修改到可视化分析

还在为MMdetection 3.X版本中消失的eval_pr_curve.py而烦恼？作为从2.X版本迁移过来的开发者，我完全理解这种工具链断裂带来的困扰。本文将带你彻底解决这个痛点，不仅详细介绍新版可视化工具的使用方法，还会分享几个官方文档没提到的实用技巧。

1. 版本变迁与核心工具链变化

MMdetection从2.X升级到3.X版本后，整个工具链发生了显著变化。最让开发者头疼的莫过于原先常用的eval_pr_curve.py脚本无法再使用。这是因为3.X版本重构了数据集加载方式，移除了mmdet.datasets中的builder.py模块，导致旧脚本依赖的build_datasets功能失效。

新版其实提供了更强大的可视化工具——coco_error_analysis.py，它不仅能绘制PR曲线，还能提供全面的误差分析。以下是两个版本工具的主要对比：

2. 生成测试结果JSON文件

要使用coco_error_analysis.py工具，首先需要生成包含检测结果的JSON文件。这个步骤的关键在于正确配置测试评估器(test_evaluator)。

2.1 配置文件修改实战

找到你的训练配置文件（通常位于configs目录下），定位到test_evaluator部分。以下是需要添加的关键参数：

test_evaluator = dict( type='CocoMetric', metric='bbox', format_only=True, # 关键参数，确保输出JSON文件 outfile_prefix='./work_dirs/coco_detection/test', # 输出文件前缀 ann_file=data_root + 'annotations/instances_val2017.json' # 标注文件路径 )

重要提示：不要在基础配置文件（如coco_detection.py）上直接修改，而应该在你的训练配置文件中覆盖这些设置。这样可以避免影响其他实验。

2.2 运行测试命令

配置完成后，使用以下命令生成JSON文件：

python tools/test.py \ configs/your_config.py \ checkpoints/your_model.pth \ --work-dir work_dirs/your_exp

成功执行后，你会在work_dirs/your_exp目录下找到test.bbox.json文件。这个文件包含了模型在所有测试图片上的检测结果，是后续可视化分析的基础。

3. 使用coco_error_analysis.py进行可视化

有了JSON结果文件后，就可以利用新版工具进行全面的可视化分析了。

3.1 基础使用命令

python tools/analysis_tools/coco_error_analysis.py \ work_dirs/your_exp/test.bbox.json \ output_dir \ --ann=data/coco/annotations/instances_val2017.json

这个命令会生成一系列分析图表，包括：

• 每个类别的PR曲线
• 误差类型分布
• 不同面积目标的检测表现
• 置信度分布分析

3.2 解读生成的PR曲线

工具生成的PR曲线比旧版更加丰富。每个类别的曲线都包含以下关键信息：

1. AP值标注：直接显示在曲线图例中
2. 置信度阈值标记：曲线上会标注不同阈值点
3. 多尺度表现：可选显示不同尺度目标的PR曲线

提示：生成的图片默认保存在output_dir目录下，文件名格式为[类别名]_pr_curve.png

4. 高级技巧与个性化定制

官方工具虽然强大，但有时我们需要更灵活的定制。以下是几个实用技巧：

4.1 筛选特定类别

如果只想分析部分类别，可以使用--classwise参数：

python tools/analysis_tools/coco_error_analysis.py \ [...] \ --classwise person car

4.2 对比不同模型结果

要比较两个模型的PR曲线，可以先分别生成它们的JSON结果，然后：

from mmdet.evaluation import analyze_results analyze_results.compare_pr_curves( 'work_dirs/model1/test.bbox.json', 'work_dirs/model2/test.bbox.json', ann_file='data/coco/annotations/instances_val2017.json', output_dir='comparison_results' )

4.3 自定义可视化样式

如果想修改曲线样式（如颜色、线宽等），可以找到coco_error_analysis.py中的绘图代码部分。主要修改位置在：

# 大约在文件第150行附近 plt.plot(recall, precision, linewidth=2, # 修改线宽 color='red', # 修改颜色 label=f'{class_name} (AP={ap:.3f})')

5. 常见问题解决方案

在实际使用过程中，可能会遇到以下问题：

1. JSON文件生成失败

   • 检查format_only和outfile_prefix配置是否正确
   • 确保ann_file路径准确
   • 验证模型权重文件是否兼容

2. 可视化工具报错

   • 确认JSON文件格式正确（应该是COCO结果格式）
   • 检查标注文件与测试集匹配
   • 确保MMdetection版本≥3.0.0

3. PR曲线显示异常

   • 低AP值可能是模型在该类别表现不佳
   • 曲线剧烈波动可能是测试样本太少
   • 全零曲线可能是类别ID不匹配

经过多次项目实践，我发现新版工具虽然学习曲线略陡，但一旦掌握，能提供的分析维度远比旧版丰富。特别是在模型调优阶段，综合的误差分析功能可以帮我们快速定位问题所在。