玩转MMDetection-MMDetection v2 目标检测模型有用工具的使用（五）

一、测试模型工具，通过展示7个例子方便理解

测试通用命令

python tools/test.py  {CONFIG_FILE}  {CHECKPOINT_FILE} [--out ${RESULT_FILE}]  [--eval ${EVAL_METRICS}]   [optional arguments] # EVAL_METRICS可以为proposal_fast、proposal、bbox、segm、mAP、recall

1.1 测试Swin Transformer可视化结果，并显示所以可视化图像，关闭这一张，查看下一张图像。

python tools/test.py configs/obb/oriented_rcnn/faster_rcnn_orpn_our_imp_swin_fpn_1x_dota10.py weights/DOTA/xxx.pth --show

 运行test.py程序，选择Swin Transformer的配置文件，调用训练好的权重，--show进行展示，结果如下。

DOTA数据集直接可视化结果图

1.2 测试Swin Transformer并保存绘制的图像，以方便直接查看可视化。

python tools/test.py configs/obb/oriented_rcnn/faster_rcnn_orpn_our_imp_swin_fpn_1x_dota10.py weights/DOTA/xxx.pth --show-dir work_dir/DOTA_test

  运行test.py程序，选择Swin Transformer的配置文件，调用训练好的权重，--show-dir进行可视化结果全部保存，结果如下。

DOTA数据集保存的所有可视化结果中的一张

1.3 在PASCAL VOC上测试Swin Transformer(不保存测试结果)在并评估HRSC2016数据集的mAP。

python tools/test.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_3x_hrsc.py work_dirs/HRSC2016_1/epoch_31.pth --eval mAP

  运行test.py程序，选择Swin Transformer的配置文件，调用训练好的权重，--eval mAP选择查看检测精度，精度如下。

HRSC2016数据集的mAP

 1.4.测试Swin Transformer在HRSC2016数据集上的bbox，并保存pickle格式的输出结果文件。

python tools/test.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_3x_hrsc.py work_dirs/HRSC2016_1/epoch_31.pth --out results.pkl--eval bbox

  运行test.py程序，选择Swin Transformer的配置文件，调用训练好的权重，--eval mAP选择查看bbox回归，并且--out results.pkl保存生成后的标注信息为results.pk。

 1.5 测试Swin Transformer在HRSC2016数据集上的分类bbox，并保存pickle格式的输出结果文件

python tools/test.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_3x_hrsc.py work_dirs/HRSC2016_1/epoch_31.pth --out results.pkl--eval bbox --options“classwise=True”

   运行test.py程序，选择Swin Transformer的配置文件，调用训练好的权重，--eval mAP选择查看分类bbox，并且--out results.pkl保存生成后的标注信息为results.pk。

 1.6 Swin Transformer 在COCO数据集上测试，并生成要提交给官方评估服务器的json文件。

python tools/test.py configs/mask_rcnn_r50_fpn_1x_coco.py checkpoints/mask_rcnn_r50_fpn_1x_20181010-069fa190.pth  --format-only --options "jsonfile_prefix=./mask_rcnn_test-dev_results"

可以获得两个json文件mask_rcnn_test-dev_results.bbox.json和mask_rnn_test-dev-results.segm.json。

1.7 在Cityscapes上测试Mask R-CNN，并生成提交给官方评估服务器的txt和png文件。

python tools/test.py configs/cityscapes/mask_rcnn_r50_fpn_1x_cityscapes.py checkpoints/mask_rcnn_r50_fpn_1x_cityscapes_20200227-afe51d5a.pth --format-only --options "txtfile_prefix=./mask_rcnn_cityscapes_test_results"

生成的png和txt将在下面/mask_rcnn_cityscapes_test_results目录。