✅ YOLO获取COCO指标(5): 解决Results do not correspond to current coco set报错 | AP=-1或很低

---

一、 引言

在使用自定义数据集进行 COCO 评估时，开发者常常会遇到一些令人困惑的报错或得到异常的评估结果。本篇博客聚焦于两个最为常见的 COCO 评估拦路虎，和大家一起排查：

1. AssertionError: Results do not correspond to current coco set
2. 评估结果指标（AP、AR）非常低（接近0）或全部显示为 -1.000

二、 报错分析与解决方案

报错 1: AssertionError: Results do not correspond to current coco set

1. 问题定位

当您运行 COCO 评估脚本（无论是框架内置的还是自定义的），若终端或日志中出现类似以下的 AssertionError，则说明遇到了第一类常见问题。

Traceback (most recent call last):
  # ... (省略部分调用栈) ...
  File "path/to/pycocotools/coco.py", line 327, in loadRes # pycocotools 内部检查点
    assert set(annsImgIds) == (set(annsImgIds) & set(self.getImgIds())), \
           ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
AssertionError: Results do not correspond to current coco set

2. 原因分析

这个断言错误的核心在于 pycocotools 在加载预测结果 (loadRes 函数) 时，会严格校验预测 JSON 文件中涉及到的所有 image_id 是否与当前 COCO格式的 Ground Truth 标注集中定义的 image_id 集合相符。

• annsImgIds: 从 预测 JSON 文件（通常是 predictions.json）的 "annotations" 列表中提取出的所有 image_id 组成的集合。
• self.getImgIds(): 从 Ground Truth JSON 文件（例如 instances_val2017.json）的 "images" 列表中提取出的所有图像 id 组成的集合。

该 assert 语句实际上在检查：预测结果涉及的图像 ID 集合 (set(annsImgIds)) 是否完全等于它与 Ground Truth 图像 ID 集合 (set(self.getImgIds())) 的交集。换句话说，它要求预测结果中的所有 image_id 必须存在于 Ground Truth 的 image_id 集合中，且不允许预测结果包含 Ground Truth 中没有的 image_id。

根本原因 (如视频 [1:10-1:30] 所述): 预测 JSON 文件里的 image_id 与 Ground Truth JSON 文件里 "images" 列表下每个图像对象的 "id" 未能完全对应。

报错 2: 评估结果指标很低 (例如接近 0) 或全部为 -1.000

1. 问题定位

模型训练过程看似收敛，损失下降正常，但在调用 COCO 评估后，得到的 mAP、AP50、AP75 等指标数值极低（如 0.00x），甚至所有 AP 和 AR 指标都显示为 -1.000。

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = -1.000
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = -1.000
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = -1.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = -1.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000

2. 原因分析

pycocotools 报告 -1.000 的官方解释是 “-1 for the precision of absent categories”（对于缺失类别的精度为-1）。这意味着，对于某个特定的类别，Ground Truth 中无该类别的标注实例，或预测结果中完全没有检测到该类别的任何目标框。

因此，如果 所有类别 的指标都显示为 -1.000 或极低，这强烈暗示着 **预测结果与 Ground Truth 中的 category_id 之间存在系统性的不匹配，或者image_id之间存在系统性的不匹配。评估工具无法将预测框与任何真实标注框对应起来计算 TP/FP。

导致这种不匹配的常见原因如下:

1. image_id 不对应:

   • 预测 JSON (predictions.json 内的 "image_id") 与 Ground Truth JSON (instances_*.json 内 "annotations" 列表中的 "image_id")不一一对应。
     

2. category_id 值或范围不一致:

   • 预测 JSON (predictions.json 内的 "category_id") 使用的 ID 集合与 Ground Truth JSON (instances_*.json 内 "annotations" 列表中的 "category_id") 使用的 ID 集合不匹配。
     

   • Ground Truth JSON 内部不一致: "categories" 列表定义的类别 "id" 与同文件内 "annotations" 中使用的 "category_id" 不一致。
     

   • 预测 JSON 与 GT 类别定义顺序不一致: 预测 JSON 中的 "category_id"（追溯到数据集yaml文件） 与 Ground Truth JSON 中 "categories" 列表定义的类别 "id" （追溯到转coco数据集的classes.txt文件）顺序不一致。
     

三、 排查建议

当你遇到 COCO 评估问题时，建议按照以下步骤系统排查：

1. 从简入手: 使用一个仅包含几张图片和对应标注的最小验证集进行测试。手动检查这两个小型的 JSON 文件，确认 image_id 和 category_id 是否完全按预期匹配。
2. JSON 格式校验: 使用在线 JSON Linter 或 Python 的 json 库加载文件，检查 Ground Truth JSON 和 Prediction JSON 是否为有效的 JSON 格式，且结构符合 COCO 要求。
3. ID 逐个对比: 随机挑选几个图像样本，手动在 predictions.json 和 instances_val2017.json 中找到对应的条目，仔细核对 image_id 和 category_id 的值和类型。
4. 坐标系与格式: 确认 bbox 坐标 ([x_min, y_min, width, height]) 的格式和在两个文件中一致且正确。不正确的坐标也会导致 IoU 计算错误，进而影响 AP。

四、 总结

COCO 评估过程中遇到的 AssertionError: Results do not correspond to current coco set 和 指标全为 -1.000 或极低的问题，绝大多数情况是由于 预测结果 JSON 与 Ground Truth JSON 之间的数据不一致造成的，尤其是 image_id 和 category_id 的匹配问题。

解决关键:

• image_id 一致性: 确保预测与 GT 使用相同的图像集，并且 image_id 在值、类型、集合上完全匹配。
• category_id 一致性: 确保预测与 GT 使用相同的类别 ID，category_id的范围与顺序保持严格统一。

通过遵循本文提供的分析思路、解决方案和排查建议，细致地检查数据处理流程和评估代码配置，你将能有效地解决这些常见的 COCO 评估障碍，获取准确、可靠的模型性能指标。

---

参考文献:

• COCO Dataset 官方文档 (格式与评估):
  • 数据格式: https://cocodataset.org/#format-data
  • 评估指标: https://cocodataset.org/#detection-eval
• pycocotools GitHub Repository: https://github.com/cocodataset/cocoapi (了解 API 源码和实现细节)
• Ultralytics YOLO 文档:
  • 数据集配置: https://docs.ultralytics.com/datasets/detect/
  • 评估模式: https://docs.ultralytics.com/modes/val/
• MMDetection 文档:
  • 数据集准备: https://mmdetection.readthedocs.io/en/latest/user_guides/dataset_prepare.html
  • 测试与评估: https://mmdetection.readthedocs.io/en/latest/user_guides/test.html#evaluation