test.py

from __future__ import divisionfrom models import *
from utils.utils import *
from utils.datasets import *
from utils.parse_config import *import os
import sys
import time
import datetime
import argparse
import tqdmimport torch
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision import transforms
from torch.autograd import Variable
import torch.optim as optim
##########################################################################
#测试
###########################################################################1.定义evaluate评估函数
#2.解析输入的参数
#3.打印当前使用的参数
#4.解析评估数据集的路径和class_names
#5.创建model
#6.加载模型的权重
#7.调用evaluate评估函数得到评估结果
#8.打印每一种class的评估结果ap
#9.打印所有class的平均评估结果mAP#1.定义evaluate评估函数
def evaluate(model, path, iou_thres, conf_thres, nms_thres, img_size, batch_size):#输入模型model,拟评估数据集地址valid_path，iou_thres阀值，conf_thres阀值，nms_thres阀值，img_size，batch_sizemodel.eval()#设置为验证模式# Get dataloaderdataset = ListDataset(path, img_size=img_size, augment=False, multiscale=False)dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=False, num_workers=1, collate_fn=dataset.collate_fn)Tensor = torch.cuda.FloatTensor if torch.cuda.is_available() else torch.FloatTensorlabels = []sample_metrics = []  # List of tuples (TP, confs, pred)for batch_i, (_, imgs, targets) in enumerate(tqdm.tqdm(dataloader, desc="Detecting objects")):   #Tqdm 是 Python 进度条库##targets（0，类别,x,y,w,h）即在0到1之间# Extract labelslabels += targets[:, 1].tolist()# Rescale targettargets[:, 2:] = xywh2xyxy(targets[:, 2:])  #转换为左上右下形式targets[:, 2:] *= img_size#调整为原图大小imgs = Variable(imgs.type(Tensor), requires_grad=False)with torch.no_grad():outputs = model(imgs)#通过Darknet的forward() 函数得到检测结果，yolo_outputs   输出形状为【1,507,85】  在特征图13*13上，其中507为3*13*13outputs = non_max_suppression(outputs, conf_thres=conf_thres, nms_thres=nms_thres)#得到 [;,  x,y,x,y,置信度，最大类别值，最大类别索引]#即detections(经过置信度阈值筛选后的数量，7)sample_metrics += get_batch_statistics(outputs, targets, iou_threshold=iou_thres)# Concatenate sample statisticstrue_positives, pred_scores, pred_labels = [np.concatenate(x, 0) for x in list(zip(*sample_metrics))]  #函数是对矩阵元素的扩充precision, recall, AP, f1, ap_class = ap_per_class(true_positives, pred_scores, pred_labels, labels)return precision, recall, AP, f1, ap_classif __name__ == "__main__":#2.解析输入的参数parser = argparse.ArgumentParser()parser.add_argument("--batch_size", type=int, default=8, help="size of each image batch")parser.add_argument("--model_def", type=str, default="config/yolov3.cfg", help="path to model definition file")parser.add_argument("--data_config", type=str, default="config/coco.data", help="path to data config file")parser.add_argument("--weights_path", type=str, default="weights/yolov3.weights", help="path to weights file")parser.add_argument("--class_path", type=str, default="data/coco.names", help="path to class label file")parser.add_argument("--iou_thres", type=float, default=0.5, help="iou threshold required to qualify as detected")parser.add_argument("--conf_thres", type=float, default=0.001, help="object confidence threshold")parser.add_argument("--nms_thres", type=float, default=0.5, help="iou thresshold for non-maximum suppression")parser.add_argument("--n_cpu", type=int, default=8, help="number of cpu threads to use during batch generation")parser.add_argument("--img_size", type=int, default=416, help="size of each image dimension")opt = parser.parse_args()#3.打印当前使用的参数print(opt)device = torch.device("cuda" if torch.cuda.is_available() else "cpu")#4.解析评估数据集的路径和class_namesdata_config = parse_data_config(opt.data_config)valid_path = data_config["valid"]class_names = load_classes(data_config["names"])#5.创建model# Initiate modelmodel = Darknet(opt.model_def).to(device)#6.加载模型的权重if opt.weights_path.endswith(".weights"):# Load darknet weightsmodel.load_darknet_weights(opt.weights_path)else:# Load checkpoint weightsmodel.load_state_dict(torch.load(opt.weights_path))print("Compute mAP...")#7.调用evaluate评估函数得到评估结果precision, recall, AP, f1, ap_class = evaluate(model,path=valid_path,iou_thres=opt.iou_thres,conf_thres=opt.conf_thres,nms_thres=opt.nms_thres,img_size=opt.img_size,batch_size=8,)#8.打印每一种class的评估结果apprint("Average Precisions:")for i, c in enumerate(ap_class):print(f"+ Class '{c}' ({class_names[c]}) - AP: {AP[i]}")#9.打印平均的评估结果mAPprint(f"mAP: {AP.mean()}")

yolov3代码详解（七）相关推荐

Keras YOLOv3代码详解（三）：目标检测的流程图和源代码+中文注释
Keras YOLOv3源代码下载地址:https://github.com/qqwweee/keras-yolo3 YOLOv3论文地址:https://pjreddie.com/media/fil ...
yoloV3代码详解（注释）
原文链接:https://www.cnblogs.com/hujinzhou/p/guobao_2020_3_13.html yolo3各部分代码详解(超详细) </h1><div ...
yolov3代码详解_代码资料
faster RCNN TensorFlow版本: 龙鹏:[技术综述]万字长文详解Faster RCNN源代码(一) buptscdc:tensorflow 版faster rcnn代码理解(1) l ...
YOLOv3 代码详解(2) —— 数据处理 dataset.py解析：输入图片增强、制作模型的每层输出的标签
前言: yolo系列的论文阅读论文阅读 || 深度学习之目标检测重磅出击YOLOv3 论文阅读 || 深度学习之目标检测yolov2 论文阅读 || 深度学习之目标检测yolov1 该篇讲解的 ...
pytorch yolov3 代码详解_PyTorch C++ libtorch的使用方法(1)-nightly 版本的 libtorch
问题描述: 按照PyTorch中文教程的[ 在 C++ 中加载 PYTORCH 模型 ]一文,尝试调用 PyTorch模型. 1. 例子来源在 C++ 中加载 PYTORCH 模型我是使用Qt新建 ...
Pytorch | yolov3原理及代码详解（一）
YOLO相关原理 : https://blog.csdn.net/leviopku/article/details/82660381 https://www.jianshu.com/p/d13ae10 ...
深度篇——目标检测史(七) 细说 YOLO-V3目标检测之代码详解
返回主目录返回目标检测史目录上一章:深度篇--目标检测史(六) 细说 YOLO-V3目标检测下一章:深度篇--目标检测史(八) 细说 CornerNet-Lite 目标检测论文地址:< ...
Pytorch | yolov3原理及代码详解（二）
阅前可看: Pytorch | yolov3原理及代码详解(一) https://blog.csdn.net/qq_24739717/article/details/92399359 分析代码: ht ...
DeepLearning tutorial（4）CNN卷积神经网络原理简介+代码详解
FROM: http://blog.csdn.net/u012162613/article/details/43225445 DeepLearning tutorial(4)CNN卷积神经网络原理简介 ...

yolov3代码详解（七）

Pytorch | yolov3代码详解七

test.py

yolov3代码详解（七）相关推荐

最新文章

热门文章