注意
您正在阅读 MMOCR 0.x 版本的文档。MMOCR 0.x 会在 2022 年末开始逐步停止维护，建议您及时升级到 MMOCR 1.0 版本，享受由 OpenMMLab 2.0 带来的更多新特性和更佳的性能表现。阅读 MMOCR 1.0 的维护计划、 发版日志、 代码 和 文档 以了解更多。
测试¶
此文档介绍在数据集上测试预训练模型的方法。
使用单 GPU 进行测试¶
您可以使用 tools/test.py 执行单 CPU/GPU 推理。例如，要在 IC15 上评估 DBNet: ( 可以从 Model Zoo 下载预训练模型 )：
./tools/dist_test.sh configs/textdet/dbnet/dbnet_r18_fpnc_1200e_icdar2015.py dbnet_r18_fpnc_sbn_1200e_icdar2015_20210329-ba3ab597.pth --eval hmean-iou
下面是脚本的完整用法:
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [ARGS]
注解
默认情况下，MMOCR 更偏向于使用 GPU 而非 CPU。如果您想在 CPU 上测试模型，请清空 CUDA_VISIBLE_DEVICES 或者将其设置为 -1 以使 GPU(s) 对程序不可见。需要注意的是，运行 CPU 测试需要 MMCV >= 1.4.4。
CUDA_VISIBLE_DEVICES= python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [ARGS]
| 参数 | 类型 | 描述 |
|---|---|---|
--out |
str | 以 pickle 格式输出结果文件。 |
--fuse-conv-bn |
bool | 所选 det 模型的自定义配置的路径。 |
--format-only |
bool | 格式化输出结果文件而不执行评估。 当您想将结果格式化为特定格式并将它们提交到测试服务器时，它很有用。 |
--gpu-id |
int | 要使用的 GPU ID。仅适用于非分布式训练。 |
--eval |
'hmean-ic13', 'hmean-iou', 'acc' | 不同的任务使用不同的评估指标。对于文本检测任务，指标是 'hmean-ic13' 或者 'hmean-iou'。对于文本识别任务，指标是 'acc'。 |
--show |
bool | 是否显示结果。 |
--show-dir |
str | 将用于保存输出图像的目录。 |
--show-score-thr |
float | 分数阈值 (默认值: 0.3)。 |
--gpu-collect |
bool | 是否使用 gpu 收集结果。 |
--tmpdir |
str | 用于从多个 workers 收集结果的 tmp 目录，在未指定 gpu-collect 时可用。 |
--cfg-options |
str | 覆盖使用的配置中的一些设置，xxx=yyy 格式的键值对将被合并到配置文件中。如果要覆盖的值是一个列表，它应当是 key ="[a,b]" 或者 key=a,b 的形式。该参数还允许嵌套列表/元组值，例如 key="[(a,b),(c,d)]"。请注意，引号是必需的，并且不允许使用空格。 |
--eval-options |
str | 用于评估的自定义选项，xxx=yyy 格式的键值对将是 dataset.evaluate() 函数的 kwargs。 |
--launcher |
'none', 'pytorch', 'slurm', 'mpi' | 工作启动器的选项。 |
使用多 GPU 进行测试¶
MMOCR 使用 MMDistributedDataParallel 实现 分布式测试。
您可以使用以下命令测试具有多个 GPU 的数据集。
[PORT={PORT}] ./tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [PY_ARGS]
| 参数 | 类型 | 描述 |
|---|---|---|
PORT |
int | rank 为 0 的机器将使用的主端口。默认为 29500。 |
PY_ARGS |
str | 由 tools/test.py 解析的参数。 |
例如，
./tools/dist_test.sh configs/example_config.py work_dirs/example_exp/example_model_20200202.pth 1 --eval hmean-iou
使用 Slurm 进行测试¶
如果您在使用 Slurm 管理的集群上运行 MMOCR， 则可以使用脚本 tools/slurm_test.sh。
[GPUS=${GPUS}] [GPUS_PER_NODE=${GPUS_PER_NODE}] [SRUN_ARGS=${SRUN_ARGS}] ./tools/slurm_test.sh ${PARTITION} ${JOB_NAME} ${CONFIG_FILE} ${CHECKPOINT_FILE} [PY_ARGS]
| 参数 | 类型 | 描述 |
|---|---|---|
GPUS |
int | 此任务要使用的 GPU 数量。默认为 8。 |
GPUS_PER_NODE |
int | 每个节点要分配的 GPU 数量。默认为 8。 |
SRUN_ARGS |
str | srun 解析的参数。可以在此处找到可用选项。 |
PY_ARGS |
str | 由 tools/test.py 解析的参数。 |
下面是一个在 “dev” 分区上运行任务的示例。该任务名为 “test_job”，其调用了 8 个 GPU 对示例模型进行评估 。
GPUS=8 ./tools/slurm_test.sh dev test_job configs/example_config.py work_dirs/example_exp/example_model_20200202.pth --eval hmean-iou
批量测试¶
默认情况下，MMOCR 仅对逐张图像进行测试。为了令推理更快，您可以在配置中更改
data.val_dataloader.samples_per_gpu 和 data.test_dataloader.samples_per_gpu 字段。
例如，
data = dict(
...
val_dataloader=dict(samples_per_gpu=16),
test_dataloader=dict(samples_per_gpu=16),
...
)
将使用 16 张图像作为一个批大小测试模型。
警告
批量测试时数据预处理管道的行为会有所变化，因而可能导致模型的性能下降。