5.5 KiB

Raw Blame History

Python功能测试

Python功能测试的主程序为test_python.sh，可以测试基于Python的模型训练、评估、推理等基本功能，包括裁剪、量化、蒸馏。

测试结论汇总

训练相关：

算法名称	模型名称	单机单卡	单机多卡	多机多卡	模型压缩（单机多卡）
DB	ch_ppocr_mobile_v2.0_det	正常训练混合精度	正常训练混合精度	正常训练混合精度	正常训练：FPGM裁剪、PACT量化
DB	ch_ppocr_server_v2.0_det	正常训练混合精度	正常训练混合精度	正常训练混合精度	正常训练：FPGM裁剪、PACT量化
CRNN	ch_ppocr_mobile_v2.0_rec	正常训练混合精度	正常训练混合精度	正常训练混合精度	正常训练：FPGM裁剪、PACT量化
CRNN	ch_ppocr_server_v2.0_rec	正常训练混合精度	正常训练混合精度	正常训练混合精度	正常训练：FPGM裁剪、PACT量化
PP-OCR	ch_ppocr_mobile_v2.0	正常训练混合精度	正常训练混合精度	正常训练混合精度	正常训练：FPGM裁剪、PACT量化
PP-OCR	ch_ppocr_server_v2.0	正常训练混合精度	正常训练混合精度	正常训练混合精度	正常训练：FPGM裁剪、PACT量化

预测相关：

算法名称	模型名称	device	batchsize	mkldnn	cpu多线程	tensorrt	离线量化
DB	ch_ppocr_mobile_v2.0_det	CPU/GPU	1/6	支持	支持	fp32/fp16/int8	支持
DB	ch_ppocr_server_v2.0_det	CPU/GPU	1/6	支持	支持	fp32/fp16/int8	支持
CRNN	ch_ppocr_mobile_v2.0_rec	CPU/GPU	1/6	支持	支持	fp32/fp16/int8	支持
CRNN	ch_ppocr_server_v2.0_rec	CPU/GPU	1/6	支持	支持	fp32/fp16/int8	支持
PP-OCR	ch_ppocr_server_v2.0	CPU/GPU	1/6	支持	支持	fp32/fp16/int8	支持
PP-OCR	ch_ppocr_server_v2.0	CPU/GPU	1/6	支持	支持	fp32/fp16/int8	支持

1. 安装依赖

安装PaddlePaddle >= 2.0
安装PaddleOCR依赖
```
pip3 install  -r ../requirements.txt
```

安装autolog（规范化日志输出工具）

git clone https://github.com/LDOUBLEV/AutoLog
cd AutoLog
pip3 install -r requirements.txt
python3 setup.py bdist_wheel
pip3 install ./dist/auto_log-1.0.0-py3-none-any.whl
cd ../

2. 功能测试

先运行prepare.sh准备数据和模型，然后运行test_python.sh进行测试，最终在tests/output目录下生成infer_*.log格式的日志文件。

test_python.sh包含四种运行模式，每种模式的运行数据不同，分别用于测试速度和精度，分别是：

模式1：lite_train_infer，使用少量数据训练，用于快速验证训练到预测的走通流程，不验证精度和速度；

bash tests/prepare.sh ./tests/configs/ppocr_det_mobile_params.txt 'lite_train_infer'
bash tests/test_python.sh ./tests/configs/ppocr_det_mobile_params.txt 'lite_train_infer'

模式2：whole_infer，使用少量数据训练，一定量数据预测，用于验证训练后的模型执行预测，预测速度是否合理；

bash tests/prepare.sh ./tests/configs/ppocr_det_mobile_params.txt 'whole_infer'
bash tests/test_python.sh ./tests/configs/ppocr_det_mobile_params.txt 'whole_infer'

模式3：infer 不训练，全量数据预测，走通开源模型评估、动转静，检查inference model预测时间和精度;

bash tests/prepare.sh ./tests/configs/ppocr_det_mobile_params.txt 'infer'
# 用法1:
bash tests/test_python.sh ./tests/configs/ppocr_det_mobile_params.txt 'infer'
# 用法2: 指定GPU卡预测，第三个传入参数为GPU卡号
bash tests/test_python.sh ./tests/configs/ppocr_det_mobile_params.txt 'infer' '1'

模式4：whole_train_infer , CE：全量数据训练，全量数据预测，验证模型训练精度，预测精度，预测速度；

bash tests/prepare.sh ./tests/configs/ppocr_det_mobile_params.txt 'whole_train_infer'
bash tests/test.sh ./tests/configs/ppocr_det_mobile_params.txt 'whole_train_infer'

模式5：klquant_infer , 测试离线量化；

bash tests/test_python.sh tests/configs/ppocr_det_mobile_params.txt  'klquant_infer'

3. 精度测试

使用compare_results.py脚本比较模型预测的结果是否符合预期，主要步骤包括：

提取日志中的预测坐标；
从本地文件中提取保存好的坐标结果；
比较上述两个结果是否符合精度预期，误差大于设置阈值时会报错。

使用方式

运行命令：

python3.7 tests/compare_results.py --gt_file=./tests/results/python_*.txt  --log_file=./tests/output/python_*.log --atol=1e-3 --rtol=1e-3

参数介绍：

gt_file：指向事先保存好的预测结果路径，支持*.txt 结尾，会自动索引*.txt格式的文件，文件默认保存在tests/result/ 文件夹下
log_file: 指向运行tests/test.sh 脚本的infer模式保存的预测日志，预测日志中打印的有预测结果，比如：文本框，预测文本，类别等等，同样支持infer_*.log格式传入
atol: 设置的绝对误差
rtol: 设置的相对误差

运行结果

正常运行效果如下图：

出现不一致结果时的运行输出：

5.5 KiB Raw Blame History Unescape Escape