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.
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.
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.
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.