yolov5 test.py val.py detec.py 有什么区别？
用户在训练数据时必须使用 train.py 来进行 数据训练和验证，但我很难理解 detect.py 和 test.py 两者之间的区别。两者中哪一个应该在数据集中(看不见)测试数据上运行？
首先: test.py 最近被重命名为 val.py！
这 3 文件是为不同的目的设计的，并使用不同设置的数据加载器。
train.py数据加载器旨在兼顾速度和准确性，val.py在验证数据集中获得最佳验证数据 mAP，detect.py在现实世界中获得最好的推理结果。
每个文件的几个重要方面包括：
train.py
trainloader: LoadImagesAndLabels():旨在加载训练数据集图像和标签。可以选择使用增强能力。
# Trainloader dataloader, dataset = create_dataloader(train_path, imgsz, batch_size, gs, opt, hyp=hyp, augment=True, cache=opt.cache_images, rect=opt.rect, rank=rank, world_size=opt.world_size, workers=opt.workers, image_weights=opt.image_weights, quad=opt.quad, prefix=colorstr('train: ')) testloader: LoadImagesAndLabels():旨在加载 val 数据集图像和标签。增强能力但被禁止。
testloader = create_dataloader(test_path, imgsz_test, batch_size * 2, gs, opt, # testloader hyp=hyp, cache=opt.cache_images and not opt.notest, rect=True, rank=-1, world_size=opt.world_size, workers=opt.workers, pad=0.5, prefix=colorstr('val: '))[0
]
- image size: 640
- rectangular inference: False
- confidence threshold: 0.001
- iou threshold: 0.6
- multi-label: True
- padding: None
val.py
dataloader: LoadImagesAndLabels()：设计用于加载训练、验证、测试数据集图像和标签。增强能力但被禁用。
dataloader = create_dataloader(data[task], imgsz, batch_size, gs, single_cls, pad=0.5, rect=True,
prefix=colorstr(f'{task}: '))[0]
- image size: 640
- rectangular inference: True
- confidence threshold: 0.001
- iou threshold: 0.6
- multi-label: True
- padding: 0.5 * maximum stride
detect.py
dataloaders(多个)：设计用于加载多种类型的媒体（images, videos, globs, directories, streams）。
# Set Dataloader
vid_path, vid_writer = None, None
if webcam:
view_img = check_imshow()
cudnn.benchmark = True # set True to speed up constant image size inference
dataset = LoadStreams(source, img_size=imgsz, stride=stride)
else:
dataset = LoadImages(source, img_size=imgsz, stride=stride)
- image size: 640
- rectangular inference: True
- confidence threshold: 0.25
- iou threshold: 0.45
- multi-label: False
- padding: None
YOLOv5 PyTorch Hub Inference
models.autoShape() 类用于图像加载、预处理、推理和 NMS。有关更多信息，请参阅 YOLOv5 PyTorch Hub 教程
class autoShape(nn.Module):
# input-robust model wrapper for passing cv2/np/PIL/torch inputs. Includes preprocessing, inference and NMS
conf = 0.25 # NMS confidence threshold
iou = 0.45 # NMS IoU threshold
classes = None # (optional list) filter by class
def __init__(self, model):
super(autoShape, self).__init__()
self.model = model.eval()
def autoshape(self):
- image size: 640
- rectangular inference: True
- confidence threshold: 0.25
- iou threshold: 0.45
- multi-label: False
- padding: None