首页
/ Hi-FT/ERD项目实用工具指南:从模型分析到部署全流程

Hi-FT/ERD项目实用工具指南:从模型分析到部署全流程

2025-06-19 01:06:09作者:滑思眉Philip

工具集概述

Hi-FT/ERD项目提供了一套完整的工具集,覆盖了深度学习模型开发全周期的各个环节。这些工具不仅能够帮助开发者进行常规的训练和测试,还能提供模型分析、可视化、部署等高级功能。本文将详细介绍这些实用工具的使用方法和应用场景。

训练日志分析工具

功能说明

analyze_logs.py是一个强大的训练日志分析工具,能够从训练日志中提取关键指标并生成可视化图表。该工具支持以下功能:

  1. 绘制损失函数变化曲线
  2. 可视化mAP等评估指标
  3. 计算平均训练速度
  4. 多实验对比分析

使用方法

python tools/analysis_tools/analyze_logs.py plot_curve \
    [--keys ${KEYS}] \
    [--eval-interval ${EVALUATION_INTERVAL}] \
    [--title ${TITLE}] \
    [--legend ${LEGEND}] \
    [--backend ${BACKEND}] \
    [--style ${STYLE}] \
    [--out ${OUT_FILE}]

典型应用场景

  1. 监控训练过程:通过绘制分类损失曲线,实时观察模型收敛情况

    python tools/analysis_tools/analyze_logs.py plot_curve log.json --keys loss_cls --legend loss_cls
    
  2. 多任务分析:同时可视化分类和回归损失,全面评估模型表现

    python tools/analysis_tools/analyze_logs.py plot_curve log.json --keys loss_cls loss_bbox --out losses.pdf
    
  3. 模型对比:将不同实验的mAP指标绘制在同一图表中进行比较

    python tools/analysis_tools/analyze_logs.py plot_curve log1.json log2.json --keys bbox_mAP --legend run1 run2
    
  4. 性能评估:计算平均训练速度,识别训练瓶颈

    python tools/analysis_tools/analyze_logs.py cal_train_time log.json
    

结果分析工具

功能说明

analyze_results.py能够对测试结果进行深入分析,包括:

  1. 计算单张图像的mAP
  2. 保存得分最高和最低的预测结果
  3. 可视化预测框与真实标注的对比

使用方法

python tools/analysis_tools/analyze_results.py \
    ${CONFIG} \
    ${PREDICTION_PATH} \
    ${SHOW_DIR} \
    [--show] \
    [--wait-time ${WAIT_TIME}] \
    [--topk ${TOPK}] \
    [--show-score-thr ${SHOW_SCORE_THR}] \
    [--cfg-options ${CFG_OPTIONS}]

参数说明

  • config:模型配置文件路径
  • prediction_path:测试生成的pkl结果文件
  • show_dir:结果保存目录
  • --show:是否实时显示结果
  • --topk:保存得分最高/低的图像数量
  • --show-score-thr:结果过滤阈值

可视化工具套件

数据集可视化

browse_dataset.py可以帮助开发者直观地检查数据集标注质量:

python tools/misc/browse_dataset.py ${CONFIG} \
    [--skip-type ${SKIP_TYPE}] \
    [--output-dir ${OUTPUT_DIR}] \
    [--not-show] \
    [--show-interval ${SHOW_INTERVAL}]

模型结构可视化

  1. 首先将模型转换为ONNX格式
  2. 使用Netron等工具可视化模型结构

预测结果可视化

提供轻量级GUI界面,支持交互式查看检测结果。

模型错误分析

coco_error_analysis.py专门针对COCO数据集进行错误分析:

python tools/analysis_tools/coco_error_analysis.py \
    ${RESULT} \
    ${OUT_DIR} \
    [--ann ${ANN}] \
    [--types ${TYPES}]

该工具能够:

  1. 按类别分析错误类型
  2. 生成可视化报告
  3. 识别模型薄弱环节

模型部署方案

TorchServe部署流程

  1. 环境准备:安装TorchServe及相关依赖

    python -m pip install torchserve torch-model-archiver torch-workflow-archiver nvgpu
    
  2. 模型转换:将Hi-FT/ERD模型转换为TorchServe格式

    python tools/deployment/mmdet2torchserve.py ${CONFIG} ${CHECKPOINT} --output-folder ${MODEL_STORE} --model-name ${MODEL_NAME}
    
  3. 服务启动

    torchserve --start --ncs --model-store ${MODEL_STORE} --models ${MODEL_NAME}.mar
    
  4. 服务测试

    curl http://127.0.0.1:8080/predictions/${MODEL_NAME} -T test_image.jpg
    
  5. 服务停止

    torchserve --stop
    

模型复杂度分析

get_flops.py可以计算模型的FLOPs和参数量:

python tools/analysis_tools/get_flops.py ${CONFIG} [--shape ${INPUT_SHAPE}]

输出示例:

Input shape: (3, 1280, 800)
Flops: 239.32 GFLOPs
Params: 37.74 M

数据集工具

格式转换

支持将Cityscapes和Pascal VOC数据集转换为COCO格式:

python tools/dataset_converters/cityscapes.py ${CITYSCAPES_PATH} -o ${OUT_DIR}
python tools/dataset_converters/pascal_voc.py ${DEVKIT_PATH} -o ${OUT_DIR}

数据集下载

提供一键下载常用数据集功能:

python tools/misc/download_dataset.py --dataset-name coco2017
python tools/misc/download_dataset.py --dataset-name voc2007
python tools/misc/download_dataset.py --dataset-name lvis

性能基准测试

FPS测试

python -m torch.distributed.launch --nproc_per_node=1 tools/analysis_tools/benchmark.py \
    ${CONFIG} \
    [--checkpoint ${CHECKPOINT}] \
    [--repeat-num ${REPEAT_NUM}] \
    --launcher pytorch

鲁棒性测试

评估模型在不同干扰条件下的表现:

python tools/analysis_tools/test_robustness.py ${CONFIG} ${CHECKPOINT}

高级功能

YOLO锚框优化

提供两种优化方法:

  1. K-means聚类
  2. 差分进化算法
python tools/analysis_tools/optimize_anchors.py ${CONFIG} \
    --algorithm differential_evolution \
    --input-shape 608 608 \
    --output-dir work_dirs

混淆矩阵分析

生成预测结果的混淆矩阵:

python tools/analysis_tools/confusion_matrix.py ${CONFIG} ${DETECTION_RESULTS} ${SAVE_DIR} --show

遮挡物体评估

专门针对遮挡物体的评估指标:

python tools/analysis_tools/coco_separated_occluded_mask.py ${RESULT} --ann ${ANN}

结语

Hi-FT/ERD项目提供的这套工具集覆盖了目标检测模型开发和应用的各个环节,从训练监控、结果分析到模型部署,大大提升了开发效率。合理使用这些工具可以帮助开发者更深入地理解模型行为,快速定位问题,并优化模型性能。

登录后查看全文
热门项目推荐

热门内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8