由于MMDetection 中的配置文件里的 anchor 超参都是基于 COCO 数据集设置的,在业务场景下可能并不通用,因此我们也加入了非常实用的 YOLO anchor 超参搜索工具 tools/analysis_tools/optimize_anchors.py 。 在这个小工具中,我们加入了两种 anchor 超参优化的方法:YOLO 经典的 k-means anchor 聚类,以及基于差分进化...
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。 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...
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...
python tools/analysis_tools/analyze_logs.py cal_train_time log.json --include-outliers 测试推理速度: 虽然analyze_logs.py 主要用于分析训练日志,但你可以通过编写自定义脚本来测试模型的推理速度。这通常涉及加载模型、预处理输入数据、执行推理并测量所需时间。 以下是一个简单的示例脚本,用于测试 MMDetection...
mmdetection3d||-configs # 配置文件|-data # 原始数据及预处理后数据文件|-mmdet3d||-ops # cuda 算子(即将迁移到 mmcv 中)||-core # 核心组件||-datasets # 数据集相关代码||-models # 模型相关代码||-utils # 辅助工具||-...|-tools||-analysis_tools # 分析工具,包括可视化、计算flops等||-data...
但是如果想要将结果放在同一张图上进行展示,及标注和预测放在同一张图上的话,mmdetection也提供了对应的代码。使用tools/analyze_results.py即可。使用方法如下: python tools/analysis_tools/analyze_results.py \ ${CONFIG} \ ${PREDICTION_PATH} \ ${SHOW_DIR} \...
我们可以采用 mmdet 提供的 tools/analysis_tools/browse_dataset.py 脚本来对训练前的 dataloader 输出进行可视化,确保数据部分没有问题。 考虑到我们仅仅想可视化前几张图片,因此下面基于 browse_dataset.py 实现一个简单版本即可。 from mmdet.registry import DATASETS, VISUALIZERS from mmengine.config import Config...
58. 59. 60. 61. 62. 63. 64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 75. 76. 77. 78. 79. 80. 81. 82. 83. 参数量与计算量 关于参数量与flops的计算可以使用tools/analysis_tools/get_flops.py,这里就不再赘述了。
python tools/analysis_tools/analyze_results.py work_dirs/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco.py (3)可视化数据集 python tools/misc/browse_dataset.py ${ CONFIG } 四:检测单张图片时用到以下方法: model = init_detector(config_file,checkpoint_file) ...
tools/analysis_tools/optimize_anchors.py。 在这个小工具中,我们加入了两种 anchor 超参优化的方法:YOLO 经典的 k-means anchor 聚类,以及基于差分进化算法(以下简称 DE 算法)的 anchor 优化。 第一种方法对于 YOLO 用户来说想必都已经非常熟悉了,这里就不再介绍,下面简单介绍基于 DE 算法的 anchor 优化。