DOTA数据格式mAP计算工具：DOTA_devkit。
注：
（1）mmdetection和mmrotate评价指标只关注coco与voc两种格式，对于DOTA格式单独给出一个计算工具。
（2）鉴于项目保密，照片均采用网上图片，请谅解！！！

基本信息

下载地址：https://github.com/978326187/DOTA_devkit
使用功能：每一个文件可单独使用：

1. For read and visualize data, you can use DOTA.py
2. For evaluation the result, you can refer to the “dota_evaluation_task1.py” and “dota_evaluation_task2.py”
3. For split the large image, you can refer to the “ImgSplit”
4. For merge the results detected on the patches, you can refer to the ResultMerge.py

• ** DOTA.py 加载图片并绘制目标边框**
• **dota_×_evaluation_task×.py 评估模型性能 **
• ImgSplit.py 分割数据集
• ResultMerge.py 将被分割数据集的检测结果合并,便于后续评估模型性能

本次我使用第二个功能，dota_evaluation_task1.py文件计算mAP值。
DOTA格式

.
├── images
└── labelTxt

安装教程：（建议在Linux系统中进行环境安装，Windows问题重重）
1、首先安装swig；

pip isntall swig -i https://pypi.doubanio.com/simple
或者sudo apt-get install swig

2、为python创建c++扩展模块。
注意：必须在DOTA_devkit-master文件夹下运行以下命令进行编译：

swig -c++ -python polyiou.i
python setup.py build_ext --inplace

数据准备

detpath = r'/home/zhangxiao/DOTA_devkit-master/map_test/predict_rusult/Task1_ship.txt'  # Path to detectionsdetpath.format(classname) should produce the detection results file.
annopath = r'/home/zhangxiao/DOTA_devkit-master/map_test/gt/SSDD_orient_annotation/{:s}.txt'  # change the directory to the path of val/labelTxt, if you want to do evaluation on the valset
imagesetfile = r'/home/zhangxiao/DOTA_devkit-master/map_test/test_img_name.txt'

注意：文件夹需要修改的部分要特别注意：只要改前面文件夹的部分，后面/{:S}.txt或者/Task1_{:S}.txt不用动。
1、detpath：mmrotate模型推理得到的结果文件的路径，运行test.py后由指令：

--eval-options submission_dir=runs/work_dirs/Task1_results

python ./tools/test.py configs/s2anet/s2anet_r50_fpn_fp16_1x_dota_le135.py tools/output_0/latest.pth --format-only --eval-options submission_dir=runs/work_dirs/Task1_results

输出的每个类别的结果文件如下：
每个类有一个txt文件，在txt文件内，一行对应一个目标，第一个参数是图片名称，第二个是置信度，后面八个是旋转框四个点坐标。
注意：所有的置信度都会被列出来，在评估的时候，P-R曲线是置信度由大到小计算的。另外，可以通过ovthresh设置预测框和标签iou的阈值，在上面提到的评估脚本里，很容易找到，这个值越大，说明需要越大的iou才能被列为TP。

2、annopath：测试集标注文件的路径，包含每张图片的txt格式的标注文件，注意：标注文件名称必须与图片名称相同，且不能是数据集裁剪后的图片，具体解释见3、imagesetfile；
前两行是遥感数据的名称，不用管，可以去掉；
第三行shelvehicle是标注框的类别，0表示是否是困难样本标志；

名词解释：
imagesource：图像数据来源；
gsd：地面采样距离（一个图像像素的物理尺寸，单位为m），缺少该注释则为null；
poly：四边形边框的四点坐标，其中（x1，y1）用于表示OBB的顶点起点的位置，四个顶点按照顺时针进行排列（顶点顺序对于部分需要检测目标具体方位的场景非常重要）。如下图所示是OBB label的可视化形式，黄点代表四边形边框的起点，它指的是**（a）飞机的左上角、（b）扇形棒球区域的中心、（c）**大型车辆的左上角；

category：目标所属类别；
diffcult：该目标实例的检测难度，1为高，0为低。

3、imagesetfile：测试集图片名称的路径，通过data_tools下的name2list.py文件提取图像名称，存入test_image_list.txt；（图中为namefile.txt）
是一个txt，列出了所有图片的名称，一行一个，没有后缀。
注意：数据集裁剪后的图片名称不能用，因为发生了变化，如下图：
不不能用这种，必须用为裁剪之前的数据集图片名称，如下图：

因此，测试集图片和标注都要用裁剪之前的，除非名称不会发生变化。

输出展示

参考链接：
https://blog.csdn.net/qq_42948594/article/details/124681405
https://blog.csdn.net/qq_36563273/article/details/109205798