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。
https://mmdetection.readthedocs.io/zh-cn/latest/user_guides/index.html#id2
pip install seaborn
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
(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。
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
注:这里要使用的是test.py 输出的 pickle 格式结果文件。
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。
(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
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}]
python tools/misc/browse_dataset.py example_faster_rcnn_export.py --output-dir out/
>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"
(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。
python tools/analysis_tools/confusion_matrix.py ${CONFIG} ${DETECTION_RESULTS} ${SAVE_DIR} --show
python tools/analysis_tools/confusion_matrix.py example_faster_rcnn_export.py faster_rcnn_fpn_coco.pkl --output-dir out/
>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。
python tools/misc/print_config.py ${CONFIG} [-h] [--options ${OPTIONS [OPTIONS...]}]
python tools/misc/print_config.py example_faster_rcnn.py