Detectron测试过程（含关键点）

1、Detectron测试流程图如下：

2、
1）首先网络会初始化数据以及roidb等，然后初始化模型
然后cls_boxes_i, cls_segms_i, cls_keyps_i = im_detect_all(model, im, box_proposals, timers）会通过网络提取到框信息
2）接下来是scores, boxes, im_scales = im_detect_bbox(model, im, box_proposals)，该函数首先对图像进行缩放，并获得相应的尺度，然后运行网络，最终从fasterrcnn的roi部分直接获得最终的输出的框
从rois,cls_prob和bbox_pred中获得最终的预测框、rois是proposal，cls_prob是预测出来的rois的分类概率，而bbox_pred则是每个proposal的bbox regress的偏移量

最终的返回值是
scores (ndarray): R x K array of object class scores for K classes
boxes (ndarray): R x 4*K array of predicted bounding boxes
im_scales (list): list of image scales used in the input blob (as returned by _get_blobs and for use with im_detect_mask, etc.)
3）scores, boxes, cls_boxes = box_results_with_nms_and_limit(scores, boxes)，进行nms和阈值过滤，首先对每一个分类拿分数卡，然后对每一个分类拿nms卡
return scores, boxes, cls_boxes
返回的scores是（N,）
返回的boxes是(N,4)
返回的cls_boxes是存着num_classes个类的每个类的proposal和score

4）heatmaps = im_detect_keypoints(model, im_scales, boxes)，提取关键点的部分
因为之前将rois变回到了原来的图像大小，为了进行level的分配，需要变换到缩放后的图像
inputs = {‘keypoint_rois’: _get_rois_blob(boxes, im_scales)}
inputs就是每个level都会有东西，然后把inputs送给_add_multilevel_rois_for_test(inputs, ‘keypoint_rois’)之后，这个时候[‘keypoint_rois_fpnx’]，x=2,3,4,5就会得到对应的rois，然后
workspace.RunNet(model.keypoint_net.Proto().name)
pred_heatmaps = workspace.FetchBlob(core.ScopedName(‘kps_score’)).squeeze()
然后就会获得预测的pred_heatmaps，就是R x J x M x M的大小，J=17,M=56

5）接下来要对提出来的map变换到坐标的形式
cls_keyps = keypoint_results(cls_boxes, heatmaps, boxes)
xy_preds = keypoint_utils.heatmaps_to_keypoints(pred_heatmaps, ref_boxes)
这一步的目的就是将heatmap变成keypoint坐标，如何做的呢？
将feature map线性插值成原来的图像的大小，然后在整张图像上取最大值，然后转化为坐标即可。
接下来进行oks-nms就可以了

6）接下里就是测评了，具体看代码