mmdetection --tools工具简单使用1
文章目录
- demo使用
- 单张图片测试--image_demo.py
- 视屏推理--video_demo.py
- 本地摄像头测试:webcam_demo.py
- 测试现有模型--test.py
- 单 GPU 测试
- 多 GPU 测试
- 训练-train.py
- 单 GPU 训练
- 多 GPU 训练
- 推理时间基准--benchmark.py
- 可视化数据集标签 -- browse_dataset.py
demo使用
单张图片测试–image_demo.py
python demo/image_demo.py \${IMAGE_FILE} \${CONFIG_FILE} \${CHECKPOINT_FILE} \[--device ${GPU_ID}] \[--score-thr ${SCORE_THR}] \[--async-test]
示例:
python demo/image_demo.py demo/demo.jpg \configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \--device cpu
视屏推理–video_demo.py
python demo/video_demo.py \${VIDEO_FILE} \${CONFIG_FILE} \${CHECKPOINT_FILE} \[--device ${GPU_ID}] \[--score-thr ${SCORE_THR}] \[--out ${OUT_FILE}] \[--show] \[--wait-time ${WAIT_TIME}]
示例:
python demo/video_demo.py demo/demo.mp4 \configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \--out result.mp4
本地摄像头测试:webcam_demo.py
python demo/webcam_demo.py \${CONFIG_FILE} \${CHECKPOINT_FILE} \[--device ${GPU_ID}] \[--camera-id ${CAMERA-ID}] \[--score-thr ${SCORE_THR}]
示例:
python demo/webcam_demo.py \configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
测试现有模型–test.py
单 GPU 测试
python tools/test.py \${CONFIG_FILE} \${CHECKPOINT_FILE} \[--out ${RESULT_FILE}] \[--eval ${EVAL_METRICS}] \[--show]
多 GPU 测试
bash ./tools/dist_test.sh \${CONFIG_FILE} \${CHECKPOINT_FILE} \${GPU_NUM} \[--out ${RESULT_FILE}] \[--eval ${EVAL_METRICS}]
这里需要在命令框输入这一串命令。
可选参数:
RESULT_FILE: 结果文件名称,需以 .pkl 形式存储。如果没有声明,则不将结果存储到文件。EVAL_METRICS: 需要测试的度量指标。可选值是取决于数据集的,比如 proposal_fast,proposal,bbox,segm 是 COCO 数据集的可选值,mAP,recall 是 Pascal VOC 数据集的可选值。Cityscapes 数据集可以测试 cityscapes 和所有 COCO 数据集支持的度量指标。--show: 如果开启,检测结果将被绘制在图像上,以一个新窗口的形式展示。它只适用于单 GPU 的测试,是用于调试和可视化的。请确保使用此功能时,你的 GUI 可以在环境中打开。否则,你可能会遇到这么一个错误 cannot connect to X server。--show-dir: 如果指明,检测结果将会被绘制在图像上并保存到指定目录。它只适用于单 GPU 的测试,是用于调试和可视化的。即使你的环境中没有 GUI,这个选项也可使用。--show-score-thr: 如果指明,得分低于此阈值的检测结果将会被移除。--cfg-options: 如果指明,这里的键值对将会被合并到配置文件中。--eval-options: 如果指明,这里的键值对将会作为字典参数被传入 dataset.evaluation() 函数中,仅在测试阶段使用。
示例:
需要先下载对应的.pth 文件放到 checkpoints文件下。以Faster R-CNN为例
1.测试 Faster R-CNN 并可视化其结果。按任意键继续下张图片的测试
python tools/test.py \configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \--show
2.测试 Faster R-CNN,并为了之后的可视化保存绘制的图像。
这步也可用多GPU的命令。
python tools/test.py \configs/faster_rcnn/faster_rcnn_r50_fpn_1x.py \checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \--show-dir faster_rcnn_r50_fpn_1x_results
3.使用 8 块 GPU 测试 Mask R-CNN,测试 bbox 和 mAP
./tools/dist_test.sh \configs/mask_rcnn_r50_fpn_1x_coco.py \checkpoints/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth \8 \--out results.pkl \--eval bbox segm
训练-train.py
单 GPU 训练
python tools/train.py \${CONFIG_FILE} \[optional arguments]
在训练期间,日志文件和 checkpoint 文件将会被保存在工作目录下,它需要通过配置文件中的 work_dir 或者 CLI 参数中的 --work-dir 来指定。
默认情况下,模型将在每轮训练之后在 validation 集上进行测试,测试的频率可以通过设置配置文件来指定:
# 每 12 轮迭代进行一次测试评估
evaluation = dict(interval=12)
可选参数:
--no-validate (不建议): 在训练期间关闭测试.--work-dir ${WORK_DIR}: 覆盖工作目录.--resume-from ${CHECKPOINT_FILE}: 从某个 checkpoint 文件继续训练.--options 'Key=value': 覆盖使用的配置文件中的其他设置.
注意: resume-from 和 load-from 的区别:
resume-from 既加载了模型的权重和优化器的状态,也会继承指定 checkpoint 的迭代次数,不会重新开始训练。load-from 则是只加载模型的权重,它的训练是从头开始的,经常被用于微调模型。
示例
python tools/train.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
多 GPU 训练
bash ./tools/dist_train.sh \${CONFIG_FILE} \${GPU_NUM} \[optional arguments]
推理时间基准–benchmark.py
我们提供 benchmark.py 对推理时间进行基准测试。此脚本将推理 2000 张图片并计算忽略前 5 次推理的平均推理时间。可以通过设置 LOG-INTERVAL 来改变 log 输出间隔(默认为 50)。
python toools/benchmark.py ${CONFIG} ${CHECKPOINT} [--log-interval $[LOG-INTERVAL]] [--fuse-conv-bn]
可视化数据集标签 – browse_dataset.py
一般训练前放好数据集和设置好相应的配置文件之后,需要先看看自己数据集标签这块对着没。可运行如下命令以faster_rcnn为例
示例:
python tools/misc/browse_dataset.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
以上类容大多都是从官网精简下来常用的命令,日常学习使用。
详细内容可以进入官方文档了解
mmdetection --tools工具简单使用1相关推荐
- CG Tools 工具收集
CG Tools 工具收集 PNG压缩 在线 本地 GIF录制 GifCam ScreenToGif Captura 录屏 CamtasiaStudio 无损缩放 waifu2x 字符画 asciif ...
- 解决Linux安装 VMware tools 工具的方法
解决Linux安装 VMware tools 工具的方法 参考文章: (1)解决Linux安装 VMware tools 工具的方法 (2)https://www.cnblogs.com/ios9/p ...
- [转]virtualbox下安装增强工具简单步骤
virtualbox下安装增强工具简单步骤. 因为我最近用VirtualBox安装了Fedora. 直接安装VBoxLinuxadditions-X86.run是会报错的. Building the ...
- 【Linux】VMware安装VMware Tools工具
VMware Tools是VMware虚拟机中自带的一种增强工具,相当于VirtualBox中的增强功能(Sun VirtualBox Guest Additions),是VMware提供的增强虚拟显 ...
- 华为桌面云虚拟机卸载VM Tools工具计算机蓝屏开机不了-完美解决
环景: FusionAccess 8.0.1 FusionCompute8.0.1 windows server 2019 问题描述: windows server 2019虚拟机卸载VM Tools ...
- wireless tools工具的移植和使用
前言:本文主要讲解了wirless tools的概念和如何移植wireless tools,以及如何使用wireless tools中的工具设置无线网络. 一.wireless tools概念 Wir ...
- Linux安装 VMware tools 工具的方法(转,已测试成功)
Linux安装 VMware tools 工具的方法 VMware虚拟机中如何安装VMWare-Tools详解好处:可以支持图形界面,可以支持共享文件功能等 1 工具/原料 1)安装过虚拟机软件的计算 ...
- CleanMyMac x for Mac系统清理工具简单安装,彻底清理!
CleanMyMac x for Mac系统清理工具简单安装,彻底清理!CleanMyMac x for Mac是应用在MacOS上的一款系统清理工具,释放RAM,运行维护脚本,管理登录项,启动代理和 ...
- PS海绵工具加深工具简单工具的区别
PS海绵工具加深工具简单工具的区别 先来简单概述一下3个工具的作用,再讲述区别 1.海绵工具 主要是用来突出图片主体部分,调整局部饱和度主要吸取黑白以外的部分 分为去色和加色两种模式(即降低饱和度.增 ...
最新文章
- java猜拳_求一个java猜拳游戏程序
- 电子科技大学计算机网络实验,计算机网络实验电子科技大学.doc
- 安装配置Kali虚拟机----linux----kali
- .NET MVC对接POLYV——HTML5播放器播放加密视频
- 【⛔C语言最熟悉的陌生人の你所不知道的scanf⛔】
- 帆软地址栏传参,实例
- 干货!一文搞懂无状态服务
- Python3自带HTTP文件传输服务(局域网文件共享)
- 人机协同、数据驱动,云时代SOC的演进之路
- java 编写无状态代码,一种真正实现RMI无状态化的方法续:JVM源码修改步骤
- php中中文字符串的截取和获取长度 mb_substr() mb_strlen()
- PM_敏捷开发 Scrum vs Kanban,如何选择?
- Javascript 高级程序设计笔记 (cha5 引用类型)
- 操作系统概念第九版编程项目:Linux内核模块
- 汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码
- 8.Spring全家桶总结
- Daily record-November
- 从Idea到付诸实践,你必须要知道的
- C语言 TCP并发服务器
- 电子设计教程40:软启动电路-串联NTC热敏电阻
热门文章
- 2018年IT名企校招日程表汇总
- 华硕FX50J win8系统重新安装win7+ubuntu双系统
- EXSI虚拟机root用户被锁定后的处理
- 【学习】计算机网络重点知识点面试突击(一)
- 2D人体姿态估计综述
- 上网行为管理系统-管理终端用户上网行为的好帮手
- BurpSuite安装教程以及环境配置(附下载链接)
- JProfiler使用(Java分析工具)
- C#WFM关于PICBOX 再DIP界面放大125%后,图片显示不完整
- H.266/VVC相关技术学习笔记20:帧间预测技术中的MMVD技术(Merge mode with MVD)