引言
基于PP-YOLOv2训练完模型后,训练过程可以参考笔者的上一篇博客【PP-YOLOv2】训练自定义的数据集,下一步进行测试。
1. 评估
CUDA_VISIBLE_DEVICES=5 python tools/eval.py -c configs/ppyolo/ppyolov2_r50vd_dcn_voc.yml -o weights=/data3/205B/PaddleDetection/output/ppyolov2_r50vd_dcn_voc/model_final --output_eval=/data3/205B/PaddleDetection/output/eval
并对eval.py进行如下修改:
执行命令后再终端显示如下:
各类的PR曲线保存在项目根目录的voc_pr_curve folder
文件夹下:
2. 测试数据(推理)
参考官方文档:PP-YOLO 模型
执行代码如下:
1. tools/infer.py # 运行测试代码
2. configs/ppyolo/ppyolov2_r50vd_dcn_voc.yml # 配置文件
3. weights=/data3/205B/PaddleDetection/output/ppyolov2_r50vd_dcn_voc/model_final # 训练得到的权重
4. infer_dir=/data3/205B/PaddleDetection/dataset/Track_fasteners/images # 测试图片路径
5. output_dir=/data3/205B/PaddleDetection/output/test_out # 输出路径
# 使用训练保存的checkpoint
CUDA_VISIBLE_DEVICES=5 python tools/infer.py -c configs/ppyolo/ppyolov2_r50vd_dcn_voc.yml -o weights=/data3/205B/PaddleDetection/output/ppyolov2_r50vd_dcn_voc/model_final --infer_dir=/data3/205B/PaddleDetection/dataset/Track_fasteners/images --output_dir=/data3/205B/PaddleDetection/output/test_out
最终在指定路径得到结果图像,这里笔者的输出路径是:/data3/205B/PaddleDetection/output/test_out
结果图像如下图所示: