mmdet tools 使用指南

MMDetection 是一个基于 PyTorch 的目标检测开源工具箱。它是 OpenMMLab 项目的一部分。
主分支代码目前支持 PyTorch 1.8 及其以上的版本。

mmdet tools 使用指南_第1张图片

使用前提

(1)mmdet使用手册地址

https://mmdetection.readthedocs.io/zh-cn/latest/user_guides/index.html#id2

(2)第一次运行前请先运行 pip install seaborn 安装必要依赖

pip install seaborn

日志分析

使用方法

python tools/analysis_tools/analyze_logs.py plot_curve [--keys ${KEYS}] [--eval-interval ${EVALUATION_INTERVAL}] [--title ${TITLE}] [--legend ${LEGEND}] [--backend ${BACKEND}] [--style ${STYLE}] [--out ${OUT_FILE}]

参数解释

  • –keys ${KEYS}:要分析和绘制的曲线的键值列表。键值是数据记录中的一个字段,可以是训练损失、验证准确率等指标。
  • –eval-interval E V A L U A T I O N I N T E R V A L :评估间隔,用于确定在曲线图上显示的数据点的数量。 {EVALUATION_INTERVAL}:评估间隔,用于确定在曲线图上显示的数据点的数量。 EVALUATIONINTERVAL:评估间隔,用于确定在曲线图上显示的数据点的数量。{EVALUATION_INTERVAL}是一个整数,表示每隔多少个数据点进行评估和绘制。
  • –title T I T L E :曲线图的标题。 {TITLE}:曲线图的标题。 TITLE:曲线图的标题。{TITLE}是一个字符串,用于设置曲线图的标题。
  • –legend L E G E N D :曲线图的图例标签。 {LEGEND}:曲线图的图例标签。 LEGEND:曲线图的图例标签。{LEGEND}是一个字符串,用于设置曲线图的图例标签。
  • –backend B A C K E N D :绘图库的后端。 {BACKEND}:绘图库的后端。 BACKEND:绘图库的后端。{BACKEND}是一个字符串,用于指定绘图库的后端,例如matplotlib或plotly。
  • –style S T Y L E :曲线图的样式。 {STYLE}:曲线图的样式。 STYLE:曲线图的样式。{STYLE}是一个字符串,用于设置曲线图的样式,例如线条颜色、线型等。
  • –out O U T F I L E :输出文件路径。 {OUT_FILE}:输出文件路径。 OUTFILE:输出文件路径。{OUT_FILE}是一个字符串,用于设置曲线图的输出文件路径。

样例

(1)绘制分类损失曲线图

python tools/analysis_tools/analyze_logs.py plot_curve log.json --keys loss_cls --legend loss_cls --out out_path

(2)绘制分类损失、回归损失曲线图,保存图片为对应的 pdf 文件

python tools/analysis_tools/analyze_logs.py plot_curve log.json --keys loss_cls loss_bbox --legend loss_cls loss_bbox --out losses.pdf

注:–keys 这里的参数可以替换成log.json中的数据参数。
(3)在相同图像中比较两次运行结果的 bbox mAP

python tools/analysis_tools/analyze_logs.py plot_curve log1.json log2.json --keys bbox_mAP --legend run1 run2

注:注意json文件中bbox_mAP的名字,有可能是0_bbox_mAP等…
(4)计算平均训练速度

python tools/analysis_tools/analyze_logs.py cal_train_time log.json
python tools/analysis_tools/analyze_logs.py cal_train_time log.json --include-outliers

注:这里–include-outliers的作用是指定在计算训练迭代的平均时间时是否包含异常值。

结果分析

使用 tools/analysis_tools/analyze_results.py 可计算每个图像 mAP,随后根据真实标注框与预测框的比较结果,展示或保存最高与最低 top-k 得分的预测图像。

python tools/analysis_tools/analyze_results.py \
      ${CONFIG} \
      ${PREDICTION_PATH} \
      ${SHOW_DIR} \
      [--show] \
      [--wait-time ${WAIT_TIME}] \
      [--topk ${TOPK}] \
      [--show-score-thr ${SHOW_SCORE_THR}] \
      [--cfg-options ${CFG_OPTIONS}]

参数解释

  • config: model config 文件的路径。
  • prediction_path: 使用 tools/test.py 输出的 pickle 格式结果文件。
  • show_dir: 绘制真实标注框与预测框的图像存放目录。
  • –show:决定是否展示绘制 box 后的图片,默认值为 False。
  • –wait-time: show 时间的间隔,若为 0 表示持续显示。
  • –topk: 根据最高或最低 topk 概率排序保存的图片数量,若不指定,默认设置为 20。
  • –show-score-thr: 能够展示的概率阈值,默认为 0。
  • –cfg-options: 如果指定,可根据指定键值对覆盖更新配置文件的对应选项。

注:这里要使用的是test.py 输出的 pickle 格式结果文件。

test.py获取pickle 格式样例

python tools/test.py example_faster_rcnn_export.py latest.pth --eval bbox --out out.pkl
python tools/test.py example_faster_rcnn_export.py latest.pth --out out.pkl

注:可以选择评估方式 --eval ,对于 COCO 数据集,可选 bbox 、segm、proposal ;对于 VOC 数据集,可选 map、recall也可以选择 --out ,指定测试结果的 pkl 输出文件。
注:可以根据上面 --out 保存的结果 pkl 文件计算指标,而无需重新跑。

python tools/analysis_tools/eval_metric.py example_faster_rcnn_export.py out.pkl --eval bbox

tools/analysis_tools/analyze_results.py可以将模型的预测结果框画出来进行可视化,其中第二个参数是上面 --out 保存的结果 pkl 文件,第三个是参数是结果保存到的目录,可以通过 --show-score-thr 来指定可视化框的阈值。

样例

(1)计算每个图像 mAP,随后根据真实标注框与预测框的比较结果,展示或保存最高与最低 top-k 得分的预测图像

python tools/analysis_tools/analyze_results.py example_faster_rcnn_export.py out.pkl out/ --show

(2)测试 Faster R-CNN 并指定 top-k 参数为 50,保存结果图片

python tools/analysis_tools/analyze_results.py example_faster_rcnn_export.py out.pkl out/ --topk 50

(3)滤低概率的预测结果,指定 show-score-thr 参数

python tools/analysis_tools/analyze_results.py example_faster_rcnn_export.py out.pkl out/ --show-score-thr 0.3

可视化数据集

使用方法

python tools/analysis_tools/browse_dataset.py ${CONFIG} [-h] [--skip-type ${SKIP_TYPE[SKIP_TYPE...]}] [--output-dir ${OUTPUT_DIR}] [--not-show] [--show-interval ${SHOW_INTERVAL}]

样例

python tools/misc/browse_dataset.py example_faster_rcnn_export.py --output-dir out/

误差分析

>首先使用以下命令得到 bbox 或 segmentation 的 json 格式文件。

python tools/test.py --format-only  --eval-options "jsonfile_prefix=out/out_resul"

样例

(1)得到每一类的 COCO bbox 误差结果,并保存分析结果图像至指定目录

python tools/analysis_tools/coco_error_analysis.py results.bbox.json out/ --ann=via_export_coco_int.json 

混淆矩阵

>混淆矩阵是对检测结果的概览。 tools/analysis_tools/confusion_matrix.py 可对预测结果进行分析,绘制成混淆矩阵表。 首先,运行 tools/test.py 保存 .pkl 预测结果,之后再运行。

使用方法

python tools/analysis_tools/confusion_matrix.py ${CONFIG}  ${DETECTION_RESULTS}  ${SAVE_DIR} --show

样例

python tools/analysis_tools/confusion_matrix.py example_faster_rcnn_export.py  faster_rcnn_fpn_coco.pkl --output-dir out/

打印全部 config

>tools/misc/print_config.py 可将所有配置继承关系展开,完全打印相应的配置文件。

使用方法

python tools/misc/print_config.py ${CONFIG} [-h] [--options ${OPTIONS [OPTIONS...]}]

样例

python tools/misc/print_config.py example_faster_rcnn.py

你可能感兴趣的:(目标检测,python,图像处理,人工智能)