主要是用来测试Vitis-AI量化前后的pb模型的mAP的，以此来预估量化损失
核心代码在https://github.com/Xilinx/Vitis-AI-Tutorials/tree/1.2/Design_Tutorials/07-ml-edge-YOLOv3/files/core可以找到
但我不知道如何准备测试所需的文件和格式，所以我会写下我自己的准备过程。
[En]
But I don’t know how to prepare the files and formats needed for testing, so I’ll write down my own preparation process.
1 准备一些测试图片放到一个文件夹里，使用下面的代码提取出图片名
import os
path_imgs = './test_dir/'
for files in os.listdir(path_imgs):
print(files)
img_path = path_imgs+ files
with open("test_dir.txt", "a") as f:
f.write(str(img_path) + '\n')
将图片名写在test_dir.txt里面
2 运行tf_prediction.py得到检测结果
这里需要用到pb文件权重（我的博客写了如何获取pb模型）和上一步得到的test_dir.txt，将检测结果写在detec_result.txt文件中。得到的结果是这样的
; 3 获取map
这里麻烦的是需要按照代码来准备需要的格式文件，上一步可以看出detec_result.txt内容格式为
image_name class_label score xmin ymin xmax ymax
我们要自己准备一个如下格式的groundtruth.txt的文本
image_name class_label xmin ymin xmax ymax
voc数据集的groundtruth内容是这样的
所以说只需要将image_name 与这些内容对应就好了，我写了一个脚本（写的很烂，好在功能可以实现）
import os
def hebing():
path_imgs = './img/'
groundtruth = r'input/ground-truth'
list2 = []
for i in os.listdir(path_imgs):
list2.append(i.split('.')[0])
num = 0
for i in list2:
for filename in os.listdir(groundtruth ):
path = os.path.join(groundtruth , filename)
f = open(path, 'r')
lines = f.readlines()
for k in lines:
img_path = list2[num] + ' ' + k
print(img_path)
with open("test_dir.txt", "a") as f:
f.write(str(img_path))
num = num + 1
continue
continue
hebing()
运行之后，我们得到了这样的结果。
[En]
After running it, we get such a result.
4 最后只需要运行evaluation.py就好了
结果是这样的
这个权重是我随便训练了十几轮的结果，图片我也只取了前200张，所以mAP比较低。
Original: https://blog.csdn.net/weixin_43850171/article/details/123223547
Author: 折磨王
Title: 测试tensforflow的pb格式模型
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/509065/
转载文章受原作者版权保护。转载请注明原作者出处！