引言

基于PP-YOLOv2训练完模型后，训练过程可以参考笔者的上一篇博客【PP-YOLOv2】训练自定义的数据集，下一步进行测试。

1. 评估

CUDA_VISIBLE_DEVICES=5 python tools/eval.py -c configs/ppyolo/ppyolov2_r50vd_dcn_voc.yml -o weights=/data3/205B/PaddleDetection/output/ppyolov2_r50vd_dcn_voc/model_final --output_eval=/data3/205B/PaddleDetection/output/eval 

并对eval.py进行如下修改：

执行命令后再终端显示如下：

各类的PR曲线保存在项目根目录的voc_pr_curve folder文件夹下：

2. 测试数据（推理）

参考官方文档：PP-YOLO 模型
执行代码如下：

 1. tools/infer.py  # 运行测试代码
 2. configs/ppyolo/ppyolov2_r50vd_dcn_voc.yml   # 配置文件
 3. weights=/data3/205B/PaddleDetection/output/ppyolov2_r50vd_dcn_voc/model_final  # 训练得到的权重
 4. infer_dir=/data3/205B/PaddleDetection/dataset/Track_fasteners/images  # 测试图片路径
 5. output_dir=/data3/205B/PaddleDetection/output/test_out  # 输出路径

# 使用训练保存的checkpoint
CUDA_VISIBLE_DEVICES=5 python tools/infer.py -c configs/ppyolo/ppyolov2_r50vd_dcn_voc.yml -o weights=/data3/205B/PaddleDetection/output/ppyolov2_r50vd_dcn_voc/model_final --infer_dir=/data3/205B/PaddleDetection/dataset/Track_fasteners/images --output_dir=/data3/205B/PaddleDetection/output/test_out

最终在指定路径得到结果图像，这里笔者的输出路径是：/data3/205B/PaddleDetection/output/test_out
结果图像如下图所示：