yolov5 test.py val.py detec.py 区别在哪里呢?

用户在训练数据的时候必须使用 train.py 来进行数据训练和验证，但我很难理解 detect.py 和 test.py 之间的区别。应该在一个数据集中的（看不见的）测试数据上运行这两者中的哪一个？

首先: test.py 最近被重命名为 val.py！

这 3 个文件是为不同目的而设计的，并使用具有不同设置的不同数据加载器。

train.py 数据加载器旨在兼顾速度和准确性，
val.py 旨在获得验证数据集上的最佳 mAP，
detect.py 旨在真实世界中获得最佳的推理结果。

每个文件中的几个重要方面包括:

`train.py`

trainloader: LoadImagesAndLabels()：旨在加载训练数据集图像和标签。增强能力可以选择启用。

 # Trainloader dataloader, dataset = create_dataloader(train_path, imgsz, batch_size, gs, opt, hyp=hyp, augment=True, cache=opt.cache_images, rect=opt.rect, rank=rank, world_size=opt.world_size, workers=opt.workers, image_weights=opt.image_weights, quad=opt.quad, prefix=colorstr('train: '))

testloader: LoadImagesAndLabels()：旨在加载 val 数据集图像和标签。增强能力但被禁用。

 testloader = create_dataloader(test_path, imgsz_test, batch_size * 2, gs, opt,  # testloader hyp=hyp, cache=opt.cache_images and not opt.notest, rect=True, rank=-1, world_size=opt.world_size, workers=opt.workers, pad=0.5, prefix=colorstr('val: '))[0]

image size: 640
rectangular inference: False
confidence threshold: 0.001
iou threshold: 0.6
multi-label: True
padding: None

`val.py`

dataloader: LoadImagesAndLabels()：设计用于加载训练、验证、测试数据集图像和标签。增强能力但被禁用。

 dataloader = create_dataloader(data[task], imgsz, batch_size, gs, single_cls, pad=0.5, rect=True, prefix=colorstr(f'{task}: '))[0]

image size: 640
rectangular inference: True
confidence threshold: 0.001
iou threshold: 0.6
multi-label: True
padding: 0.5 * maximum stride

`detect.py`

dataloaders(多个)：设计用于加载多种类型的媒体（images, videos, globs, directories, streams）。

 # Set Dataloader vid_path, vid_writer = None, None if webcam: view_img = check_imshow() cudnn.benchmark = True  # set True to speed up constant image size inference dataset = LoadStreams(source, img_size=imgsz, stride=stride) else: dataset = LoadImages(source, img_size=imgsz, stride=stride)

image size: 640
rectangular inference: True
confidence threshold: 0.25
iou threshold: 0.45
multi-label: False
padding: None

YOLOv5 PyTorch Hub Inference

models.autoShape() 类用于图像加载、预处理、推理和 NMS。有关更多信息，请参阅 YOLOv5 PyTorch Hub 教程

 class autoShape(nn.Module): # input-robust model wrapper for passing cv2/np/PIL/torch inputs. Includes preprocessing, inference and NMS conf = 0.25  # NMS confidence threshold iou = 0.45  # NMS IoU threshold classes = None  # (optional list) filter by class def __init__(self, model): super(autoShape, self).__init__() self.model = model.eval() def autoshape(self):

image size: 640
rectangular inference: True
confidence threshold: 0.25
iou threshold: 0.45
multi-label: False
padding: None