测试就是用voc2007的test set来测试已经训练好的checkpoint的mAP，github上提供了三个已经训练好的model的checkpoint

checkpoint 里面已有的300_vgg_ckpt这个文件很有可能就是下图圈住的模型，因为这两个文件的大小是一模一样的

需要做的准备有：
1. 下载voc2007的数据集，然后将test set转化成tfrecord（在转化时，源码只使用了annotations和jpegimages两个文件夹的内容来制作tfrecords）
2. 下载checkpoint，如voc2007和voc2012训练集训练的checkpoint（这个要到github上SSD的主页去下载，但是好像被墙了，不下载其实也没关系，因为前面自带的有一个checkpoint是可以用的）

下载好的voc2007文件test set 结构是这样的：

调用tf_convert_data.py将test set转化成tfrecoeds，（注意：这里直接运行会碰到无法读取图片，UTF-8无法decode的Erro，解决办法是打开SSD工程—>datasets—>pascalvoc_to_tfrecords.py 。。。然后更改文件的83行读取方式为’rb’）

DATASET_DIR=./VOC2007/  　　#下载的voc数据集总文件夹
OUTPUT_DIR=./tfrecords　　　 #用来放生成的tfrecord文件的文件夹
python tf_convert_data.py \
    --dataset_name=pascalvoc \　　　　#必须是pascalvoc，代码里面默认的
    --dataset_dir=${DATASET_DIR} \
    --output_name=voc_2007_train \　　#必须是这个格式的，例如：voc_2012_test
    --output_dir=${OUTPUT_DIR}

生成测试集tfrecord后，调用eval_ssd_network.py使用刚刚生成好的tfrecords来测试checkpoint的准确率：

DATASET_DIR=/home/wu/voc2007_test_tfrecords/　　#保存tfrecords的路径
EVAL_DIR=/home/wu/ssd_eval_log/   #是自己设置用来保存测试结果的路径（生成结果后，在该路径下运行tensorboard可以查看可视化的结果）
CHECKPOINT_PATH=/home/wu/Downloads/SSD-Tensorflow-master/checkpoints/VGG_VOC0712_SSD_300x300_iter_120000.ckpt　　是下载的checkpoint的路径（如果未下载可以使用SSD工程本来自带的checkpoint）
python3 ./eval_ssd_network.py \
    --eval_dir=${EVAL_DIR} \
    --dataset_dir=${DATASET_DIR} \
    --dataset_name=pascalvoc_2007 \　　#或者pascalvoc_2012,代码里面有默认的几个选项
    --dataset_split_name=test \　　　　#必须是test
    --model_name=ssd_300_vgg \
    --checkpoint_path=${CHECKPOINT_PATH} \
    --batch_size=1　　　　#可根据自己电脑设置

补充：

SSD输出mAP时出现TypeError: Can not convert a tuple into a Tensor or Operation？？？

解决方法为在eval_ssd_network.py文件中添加下面一个函数：

1 def flatten(x):
2     result = []
3     for el in x:
4          if isinstance(el, tuple):
5                result.extend(flatten(el))
6          else:
7                result.append(el)
8     return result

然后修改两行代码：

1 将    eval_op=list(names_to_updates.values())
2  
3 改为  eval_op=flatten(list(names_to_updates.values()))
4  
5 注意：共有两行！

SSD-tensorflow-2 evaluation

补充：

猜你喜欢