Skip to content

Latest commit

 

History

History
 
 

tests

README.md

从训练到推理部署工具链测试方法介绍

test_model.sh和params.txt文件配合使用，完成分割模型从训练到预测的流程测试。

安装依赖

  • 安装PaddlePaddle >= 2.1.2
  • 安装PaddleSeg依赖 
    pip3 install  -r ../requirements.txt
  • 安装autolog 
    git clone https://github.com/LDOUBLEV/AutoLog
cd AutoLog
pip3 install -r requirements.txt
python3 setup.py bdist_wheel
pip3 install ./dist/auto_log-1.0.0-py3-none-any.whl
cd ../

目录介绍

tests/
├── hrnetw18_small_v1_params.txt                                  # 测试分割模型的参数配置文件
└── fcn_hrnetw18_small_v1_humanseg_192x192_mini_supervisely.yml   # 测试分割模型的config配置文件
└── prepare.sh                                                    # 完成test_model.sh运行所需要的数据和模型下载
└── test_model.sh                                                 # 测试主程序

使用方法

test_model.sh包含四种运行模式，每种模式的运行数据不同，分别用于测试速度和精度，分别是：

  • 模式1：lite_train_infer，使用少量数据训练，用于快速验证训练到预测的走通流程，不验证精度和速度；
bash test/prepare.sh ./tests/hrnetw18_small_v1_params.txt 'lite_train_infer'
bash tests/test_model.sh ./tests/hrnetw18_small_v1_params.txt 'lite_train_infer'
  • 模式2：whole_infer，使用少量数据训练，一定量数据预测，用于验证训练后的模型执行预测，预测速度是否合理；
bash tests/prepare.sh ./tests/hrnetw18_small_v1_params.txt 'whole_infer'
bash tests/test_model.sh ./tests/hrnetw18_small_v1_params.txt 'whole_infer'
  • 模式3：infer 不训练，全量数据预测，走通开源模型评估、动转静，检查inference model预测时间和精度;
bash tests/prepare.sh ./tests/hrnetw18_small_v1_params.txt 'infer'
# 用法1:
bash tests/test_model.sh ./tests/hrnetw18_small_v1_params.txt 'infer'
# 用法2: 指定GPU卡预测，第三个传入参数为GPU卡号
bash tests/test_model.sh ./tests/hrnetw18_small_v1_params.txt 'infer' '1'
  • 模式4：whole_train_infer , CE： 全量数据训练，全量数据预测，验证模型训练精度，预测精度，预测速度；
bash tests/prepare.sh ./tests/hrnetw18_small_v1_params.txt 'whole_train_infer'
bash tests/test_model.sh ./tests/hrnetw18_small_v1_params.txt 'whole_train_infer'

日志输出

最终在tests/output目录下生成.log后缀的日志文件