test

现场测试算法启动操作：

加载镜像

• docker load –i pytorchgpu_1.2_flask.tar

生成docker

启动dokcer

sudo docker exec -it meter_ai_server2 bash

执行meter_flask_client.py

cd yolov3_pytorch_yangfan/ python3 meter_flask_client.py --ip 当出现如下截图情况的时候证明算法服务已经在5000端口上启动成功

算法各文件说明：

算法代码

meter_flask_client.py：检测逻辑和返回接口都是在这个py文件中

Data文件夹里包含了离线测试算法的图片文件

light_detection,liquid_detection,point分别为面板灯，液位计，指针表的离线测试图片，其他的.data和.names文件分别为调用pytorch模型训练和测试时需要加载的目标分类文件，由于模型是实验室训练好部署到现场，所以赤壁的代码里面没有训练代码，只有测试代码和模型以及模型配置

Cfg文件夹里面是模型的配置文件

这里我们使用的是yolov3-spp3的网络结构，所有的训练和测试的cfg配置文件根据实际检测任务修改适配, 注：修改的地方主要是filter，因为我们每一个网格就预测3个anchor结果，所以filter =3*（1 + 5）=18，5表示检测目标有5类

weigths文件夹下是事先训练好的权重文件

best_biaoji.pt:识别指针表和数字表的类型，总共是5种指针表+17种数字表共计22类 best_board.pt：识别面板灯的面板状态，目前总共只有2类面板 best_L1.pt：检测1类面板灯上的面板灯类别 best_L2.pt：检测2类面板灯上的面板灯类别 best_liquid.pt：检测液位计类别，目前支持4种液位计 best_num.pt：检测数字表的显示数字，总共20中，0-10，0p-10p

meter_client_test.ipynb位离线测试文件

使用时需将对应的图片路径和请求的检测任务修改为对应的

训练部分

训练代码 train_biaoji.py,train_num.py,train_light.py修改代码中的网络结构，目标类别对应的.data.names文件，选择合适的lr学习率等参数，修改权重文件的输出路径
训练数据data 形式如下图 – Annotations – images – labels – Imagesets
运行根目录下makeTxt.py，将数据分成训练集，测试集和验证集，其中比例可以在代码设置
在ImageSets得到四个文件，其中我们主要关注的是train.txt，test.txt，val.txt，文件里主要存储图片名称
运行根目录下voc_label.py，得到labels的具体内容以及data目录下的train.txt，test.txt，val.txt，这里的train.txt与之前的区别在于，不仅仅得到文件名，还有文件的具体路径