Hi-FT/ERD项目实用工具指南：从模型分析到部署全流程

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。