mmdetection COCO test-dev测试

MMdetection COCO test-dev测试步骤总结

1、修改config文件

data = dict(
    samples_per_gpu=1,
    workers_per_gpu=0,
    train=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_train2017.json',
        img_prefix=data_root + 'train2017/',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_val2017.json',
        img_prefix=data_root + 'val2017/',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/image_info_test-dev2017.json',
        img_prefix=data_root + 'test2017/',
        pipeline=test_pipeline))

2、测试

python tools/test.py configs/retinanet_x101_fpn_2x.py work_dirs/retinanet_x101_fpn_2x/epoch_24.pth  --format-only --options "jsonfile_prefix=./retinanet_x101_results"

3、多尺度测试

修改config后继续按步骤2操作:

test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(
        type='MultiScaleFlipAug',
        img_scale=[(800, 480), (1067, 640), (1333, 800), (1600, 960), (1867, 1120), (2133, 1280)],
        flip=True,
        transforms=[
            dict(type='Resize', keep_ratio=True),
            dict(type='RandomFlip'),
            dict(type='Normalize', **img_norm_cfg),
            dict(type='Pad', size_divisor=32),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='Collect', keys=['img']),
        ])
]

4、提交

测试后你会得到一个json文件，将其转为zip文件后，在COCO官网注册后进行提交。2019和2017的test-dev数据集未发生变动，所以直接提交即可，大约10-20分钟出结果，有时比较慢，提交不上多提交两遍即可。

我在多尺度测试后能够涨点1.3左右，感觉没有想象中的高，如果您能够获得更高的提升，也希望您能和我分享一下trick或者如何更好地设置，感恩！