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