1 、运行darknet官方代码中的detector valid指令，生成对测试集的检测结果。
.\darknet detector valid <voc.data文件路径> <cfg文件路径> <weights文件路径> -out “”
其中voc.data和cfg文件就是你当时训练用的配置文件，weights文件就是你训练出来的结果，其中需要修改的是voc.data文件，其中应该是有五行的，其中第三行是valid就是需要验证测试集的路径。
2、执行完之后应该会在程序的当前目录生成一个results文件夹，里面存有检测结果，文件名为comp4_det_test_<你检测的类名>.txt，画风如下所示。
txt中数据格式为: 文件名 置信度 x y w h。
3、下载检测用脚本文件 reval_voc_py.py和voc_eval_py.py
https://download.csdn.net/download/qq_33350808/10731748
这个老哥提供的，需要积分哦，如果没积分可以联系我，我给你们发。[email protected]。记得点赞，感谢。
4、 使用reval_voc_py.py计算出mAP值并且生成pkl文件，命令行如下（这是我自己的命令行你们根据自己的修改即可）：
python reval_voc_py3.py --voc_dir /extdisk/yolov3new/darknet/scripts/VOCdevkit --year 2019 --image_set test --classes /extdisk/yolov3new/darknet/data/voc.names /extdisk/yolov3new/darknet/visualization/mapout
5、用matplotlib绘制PR曲线
在得到pkl文件目录里直接创建一个python文件，比如PR_draw.py，内容如下，记得把第三行里的参数修改一下。
import _pickle as cPickle
import matplotlib.pyplot as plt
fr = open(‘apple_pr.pkl’,‘rb’)#这里open中第一个参数需要修改成自己生产的pkl文件
inf = cPickle.load(fr)
fr.close()
x=inf[‘rec’]
y=inf[‘prec’]
plt.figure()
plt.xlabel(‘recall’)
plt.ylabel(‘precision’)
plt.title(‘PR cruve’)
plt.plot(x,y)
plt.show()
print(‘AP：’,inf[‘ap’])
###然后运行python PR_draw.py，就会生成想要的东东哦！
部分参考https://blog.csdn.net/qq_33350808/article/details/83178002，感谢。