（仅做个人过程记录的笔记）
1、生成中间件
可以选择评估方式 --eval ，对于 COCO 数据集，可选 bbox 、segm、proposal 。可以得到result.bbox.json文件
生成pkl文件：faster_rcnn.pkl
python tools/test.py config.py work_dirs/epoch_20.pth --out faster_rcnn.pkl后续可以直接使用他来做分析，无需每次都从头测试。 如下：
python config.py faster_rcnn.pkl --eval bbox
得到结果如下：
2、tools里部分的工具使用
- coco_error_analysis.py 获得COCO bbox错误结果每个类别，保存分析结果图像到目录results/
python tools/analysis_tools/coco_error_analysis.py results.bbox.json results --ann=data/coco/annotations/instances_val2017.json结果如下：
- analyze_results.py 将模型的预测结果框画出来进行可视化
python tools/analysis_tools/analyze_results.py configs.py faster_rcnn.pkl show_dir/结果如下：
由于目标太小，报错了。[WinError 1455] 页面文件太小，无法完成操作。
-
analyze_logs.py 分析我们训练过程中得到的日志文件的每次epoch训练结果
先pip install seaborn
python tools/analysis_tools/analyze_logs.py plot_curve tools\work_dirs\faster_rcnn_r101_fpn_1x_coco\20230530_182545.log.json --out log_curve.png-
confusion_matrix.py 生成混淆矩阵
python tools/analysis_tools/confusion_matrix.py configs.py tools\work_dirs\faster_rcnn_r101_fpn_1x_coco\fasterrcnn.pkl results/coco_confusion_matrix/结果如下： 
3、多类目标训练查看单类准确率（AP）
test.py 后面加--options "classwise=True" 即可
python tools/test.py configs/A_traintest/faster_rcnn_r101_fpn_1x_coco_3channel.py work_dirs/faster_rcnn_r101_fpn_1x_coco/epoch_13.pth --options "classwise=True" --eval bbox结果如下：
若只想显示 0.5时精度 在mmdetection/mmdet/datasets/coco.py的def evaluate()中：classwise=False为classwise=True，iou_thrs=[0.5]即可
即：def evaluate(self,
results,
metric='bbox',
logger=None,
jsonfile_prefix=None,
classwise=False,
proposal_nums=(100, 300, 1000),
iou_thrs=[0.5],
metric_items=None):
参考博主文章：
mmdetection tools工具梳理_bbox_map_copypaste_Adenialzz的博客-CSDN博客
【mmdetecion】mmdetection多类目标训练查看单类准确率（AP）_mmdet测试正确率_gorgeous(๑><๑）的博客-CSDN博客
