Jugando con el modelo de detección de objetivos MMDetection-MMDetection v2 Uso de herramientas útiles (5)

1. Herramientas del modelo de prueba, fáciles de entender al mostrar 7 ejemplos.

Probar comandos comunes

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 Pruebe el resultado de visualización de Swin Transformer y muestre todas las imágenes de visualización, cierre esta y vea la siguiente imagen.

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

 Ejecute el programa test.py, seleccione el archivo de configuración de Swin Transformer, llame a los pesos entrenados, --show para mostrar, los resultados son los siguientes.

El conjunto de datos DOTA visualiza directamente el gráfico de resultados

1.2 Pruebe el Swin Transformer y guarde la imagen dibujada para verla directamente.

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

  Ejecute el programa test.py, seleccione el archivo de configuración de Swin Transformer, llame a los pesos entrenados y guarde todos los resultados de visualización con --show-dir. Los resultados son los siguientes.

Uno de todos los resultados de visualización guardados en el conjunto de datos DOTA

1.3 Pruebe el transformador Swin en PASCAL VOC (sin guardar los resultados de la prueba) y evalúe el mAP del conjunto de datos HRSC2016.

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

  Ejecute el programa test.py, seleccione el archivo de configuración de Swin Transformer, llame a los pesos entrenados, seleccione --eval mAP para ver la precisión de la detección, y la precisión es la siguiente.

mapa del conjunto de datos HRSC2016

 1.4 Pruebe el bbox de Swin Transformer en el conjunto de datos HRSC2016 y guarde el archivo de resultados de salida en formato pickle.

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

  Ejecute el programa test.py, seleccione el archivo de configuración de Swin Transformer, llame a los pesos entrenados, seleccione --eval mAP para ver la regresión de bbox y --out results.pkl guarde la información de anotación generada como results.pk.

 1.5 Pruebe el bbox de clasificación de Swin Transformer en el conjunto de datos HRSC2016 y guarde el archivo de resultados de salida en formato pickle

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”

   Ejecute el programa test.py, seleccione el archivo de configuración de Swin Transformer, llame a los pesos entrenados, --eval mAP seleccione para ver el bbox de clasificación y --out results.pkl guarde la información de anotación generada como results.pk.

 1.6 Swin Transformer se prueba en el conjunto de datos COCO y genera un archivo json para enviarlo al servidor de evaluación oficial.

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"

Puede obtener dos archivos json mask_rcnn_test-dev_results.bbox.json y mask_rnn_test-dev-results.segm.json.

1.7 Pruebe la máscara R-CNN en paisajes urbanos y genere archivos txt y png para enviarlos al servidor de evaluación oficial.

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"

El png y txt generados estarán en el directorio /mask_rcnn_cityscapes_test_results.