task='val', device='', single_cls=False, augment=False, verbose=False, save_txt=False,

save_hybrid=False, save_conf=False, save_json=False, project='runs/test', name='exp',

exist_ok=False, half=True, model=None, dataloader=None, save_dir=Path(''), plots=True,

wandb_logger=None, compute_loss=None,

):

"""

# ============================================== 1、初始化配置1 ==================================================

# 初始化模型并选择相应的计算设备

# 判断是否是训练时调用run函数(执行train.py脚本), 如果是就使用训练时的设备 一般都是train

training = model is not None

if training: # called by train.py

device = next(model.parameters()).device # get model device

# 如果不是trin.py调用run函数(执行val.py脚本)就调用select_device选择可用的设备

# 并生成save_dir + make dir + 加载model + check imgsz + 加载data配置信息

else:

device = select_device(device, batch_size=batch_size)

# 生成save_dir文件路径 run\test\expn

save_dir = increment_path(Path(project) / name, exist_ok=exist_ok) # increment run

# make dir run\test\expn\labels

(save_dir / 'labels' if save_txt else save_dir).mkdir(parents=True, exist_ok=True)

# 加载模型(可以加载普通模型或者集成模型) load FP32 model 只在运行test.py才需要自己加载model

model = attempt_load(weights, map_location=device)

# gs: 模型最大的下采样stride 一般[8, 16, 32] 所有gs一般是32

gs = max(int(model.stride.max()), 32) # grid size (max stride)

# 检测输入图片的分辨率imgsz是否能被gs整除 只在运行test.py才需要自己生成check imgsz

# imgsz_test

imgsz = check_img_size(imgsz, s=gs) # check image size

# Multi-GPU disabled, incompatible with .half() https://github.com/ultralytics/yolov5/issues/99

# if device.type != 'cpu' and torch.cuda.device_count() > 1:

# model = nn.DataParallel(model)

# Data 加载数据配置信息 只有运行test.py才需要加载数据配置信息, 因为它需要根据data生成新的dataloader

# 而运行train.py时是直接传入testloader的, 所以不需要加载数据配置信息

with open(data, encoding='utf-8') as f:

data = yaml.safe_load(f)

check_dataset(data) # check

# ============================================== 2、调整模型 ==================================================

# Half model 只能在单GPU设备上才能使用

# 一旦使用half, 不但模型需要设为half, 输入模型的图片也需要设为half

half &= device.type != 'cpu' # half precision only supported on CUDA

if half:

model.half()

# from utils.torch_utils import prune

# prune(model, 0.3) # 模型剪枝

# model = model.fuse() # 模型融合 融合conv+bn

model.eval() # 启动模型验证模式

# ============================================== 3、初始化配置2 ==================================================

# 测试数据是否是coco数据集 + class类别个数

is_coco = type(data['val']) is str and data['val'].endswith('coco/val2017.txt') # COCO dataset bool

nc = 1 if single_cls else int(data['nc']) # number of classes

# 计算mAP相关参数

# 设置iou阈值 从0.5-0.95取10个(0.05间隔) iou vector for mAP@0.5:0.95

# iouv: [0.50000, 0.55000, 0.60000, 0.65000, 0.70000, 0.75000, 0.80000, 0.85000, 0.90000, 0.95000]

iouv = torch.linspace(0.5, 0.95, 10).to(device)

# mAP@0.5:0.95 iou个数=10个

niou = iouv.numel()

# 初始化日志 Logging

log_imgs = 0

if wandb_logger and wandb_logger.wandb:

log_imgs = min(wandb_logger.log_imgs, 100)

# ======================================= 4、加载val数据集（val.py调用） =============================================

# 如果不是训练(执行val.py脚本调用run函数)就调用create_dataloader生成dataloader

# 如果是训练(执行train.py调用run函数)就不需要生成dataloader 可以直接从参数中传过来testloader

if not training:

if device.type != 'cpu':

# 这里创建一个全零数组测试下前向传播是否能够正常运行

model(torch.zeros(1, 3, imgsz, imgsz).to(device).type_as(next(model.parameters()))) # run once

task = task if task in ('train', 'val', 'test') else 'val' # path to train/val/test images

# 创建dataloader 这里的rect默认为True 矩形推理用于测试集 在不影响mAP的情况下可以大大提升推理速度

dataloader = create_dataloader(data[task], imgsz, batch_size, gs, single_cls, pad=0.5, rect=True,

prefix=colorstr(f'{task}: '))[0]

# ============================================== 5、初始化配置3 ==================================================

# 初始化一些测试需要的参数

seen = 0 # 初始化测试的图片的数量

# 初始化混淆矩阵

confusion_matrix = ConfusionMatrix(nc=nc)

# dict{key(class_index):value(class_name)} 获取数据集所有类别的index和对应类名

names = {k: v for k, v in enumerate(model.names if hasattr(model, 'names') else model.module.names)}

# 获取coco数据集的类别索引

# coco数据集是80个类 索引范围本应该是0~79,但是这里返回的确是0~90 coco官方就是这样规定的

# coco80_to_coco91_class就是为了与上述索引对应起来，返回一个范围在0~80的索引数组

coco91class = coco80_to_coco91_class()

# 设置tqdm进度条的显示信息

s = ('%20s' + '%11s' * 6) % ('Class', 'Images', 'Labels', 'P', 'R', 'mAP@.5', 'mAP@.5:.95')

# 初始化p, r, f1, mp, mr, map50, map指标和时间t0, t1, t2

p, r, f1, mp, mr, map50, map, t0, t1, t2 = 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.

# 初始化测试集的损失

loss = torch.zeros(3, device=device)

# 初始化json文件中的字典 统计信息 ap等

jdict, stats, ap, ap_class, wandb_images = [], [], [], [], []

# ============================================== 6、开始验证 ==================================================

for batch_i, (img, targets, paths, shapes) in enumerate(tqdm(dataloader, desc=s)):

# 6.1、预处理图片和target

t_ = time_synchronized() # 获取当前时间

img = img.to(device, non_blocking=True) # img to device

# 如果half为True 就把图片变为half精度 uint8 to fp16/32

img = img.half() if half else img.float()

img /= 255.0 # 0 - 255 to 0.0 - 1.0

targets = targets.to(device) # targets to device

# batch size, channels, height, width

nb, _, height, width = img.shape

t = time_synchronized() # 获取当前时间

t0 += t - t_ # t0: 累计处理数据时间

# 6.2、Run model 前向推理

# out: 推理结果 1个 [bs, anchor_num*grid_w*grid_h, xywh+c+20classes] = [1, 19200+4800+1200, 25]

# train_out: 训练结果 3个 [bs, anchor_num, grid_w, grid_h, xywh+c+20classes]

# 如: [1, 3, 80, 80, 25] [1, 3, 40, 40, 25] [1, 3, 20, 20, 25]

out, train_out = model(img, augment=augment) # inference and training outputs

t1 += time_synchronized() - t # 累计前向推理时间 t1

# 6.3、计算验证损失

# compute_loss不为空 说明正在执行train.py 根据传入的compute_loss计算损失值

if compute_loss:

loss += compute_loss([x.float() for x in train_out], targets)[1][:3] # lbox, lobj, lcls

# 6.4、Run NMS

# 将真实框target的xywh(因为target是在labelimg中做了归一化的)映射到img(test)尺寸

targets[:, 2:] *= torch.Tensor([width, height, width, height]).to(device)

# save_hybrid: adding the dataset labels to the model predictions before NMS

# 是在NMS之前将数据集标签targets添加到模型预测中

# 这允许在数据集中自动标记(for autolabelling)其他对象(在pred中混入gt) 并且mAP反映了新的混合标签

# targets: [num_target, img_index+class_index+xywh] = [31, 6]

# lb: {list: bs} 第一张图片的target[17, 5] 第二张[1, 5] 第三张[7, 5] 第四张[6, 5]

lb = [targets[targets[:, 0] == i, 1:] for i in range(nb)] if save_hybrid else []

t = time_synchronized()

out = non_max_suppression(out, conf_thres, iou_thres, labels=lb, multi_label=True, agnostic=single_cls)

t2 += time_synchronized() - t # 累计NMS时间

# 6.5、统计每张图片的真实框、预测框信息 Statistics per image

# 为每张图片做统计，写入预测信息到txt文件，生成json文件字典，统计tp等

# out: list{bs} [300, 6] [42, 6] [300, 6] [300, 6] [pred_obj_num, x1y1x2y2+object_conf+cls]

for si, pred in enumerate(out):

# 6.5、统计每张图片的真实框、预测框信息

# 获取第si张图片的gt标签信息 包括class, x, y, w, h target[:, 0]为标签属于哪张图片的编号

labels = targets[targets[:, 0] == si, 1:] # [:, class+xywh]

nl = len(labels) # 第si张图片的gt个数

# 获取标签类别

tcls = labels[:, 0].tolist() if nl else [] # target class

path = Path(paths[si]) # 第si张图片的地址

# 统计测试图片数量 +1

seen += 1

# 如果预测为空，则添加空的信息到stats里

if len(pred) == 0:

if nl:

stats.append((torch.zeros(0, niou, dtype=torch.bool), torch.Tensor(), torch.Tensor(), tcls))

continue

# Predictions

if single_cls:

pred[:, 5] = 0

predn = pred.clone()

# 将预测坐标映射到原图img中

scale_coords(img[si].shape[1:], predn[:, :4], shapes[si][0], shapes[si][1]) # native-space pred

# 6.6、保存预测信息到txt文件 runs\test\exp7\labels\image_name.txt

if save_txt:

# gn = [w, h, w, h] 对应图片的宽高 用于后面归一化

gn = torch.tensor(shapes[si][0])[[1, 0, 1, 0]] # normalization gain whwh

for *xyxy, conf, cls in predn.tolist():

# xyxy -> xywh 并作归一化处理

xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist() # normalized xywh

line = (cls, *xywh, conf) if save_conf else (cls, *xywh) # label format

# 保存预测类别和坐标值到对应图片id.txt文件中

with open(save_dir / 'labels' / (path.stem + '.txt'), 'a') as f:

f.write(('%g ' * len(line)).rstrip() % line + '\n')

# with open(save_dir / 'labels' / ('test' + '.txt'), 'a') as f:

# f.write(('%g ' * len(line)).rstrip() % line + '\n')

# 6.7、保存预测信息到wandb_logger(类似tensorboard)中

if len(wandb_images) < log_imgs and wandb_logger.current_epoch > 0: # Check for test operation

if wandb_logger.current_epoch % wandb_logger.bbox_interval == 0:

box_data = [{"position": {"minX": xyxy[0], "minY": xyxy[1], "maxX": xyxy[2], "maxY": xyxy[3]},

"class_id": int(cls),

"box_caption": "%s %.3f" % (names[cls], conf),

"scores": {"class_score": conf},

"domain": "pixel"} for *xyxy, conf, cls in pred.tolist()]

boxes = {"predictions": {"box_data": box_data, "class_labels": names}} # inference-space

wandb_images.append(wandb_logger.wandb.Image(img[si], boxes=boxes, caption=path.name))

wandb_logger.log_training_progress(predn, path, names) if wandb_logger and wandb_logger.wandb_run else None

# 6.8、将预测信息保存到coco格式的json字典(后面存入json文件) Append to pycocotools JSON dictionary

# 类似: [{"image_id": 42, "category_id": 18, "bbox": [258.15, 41.29, 348.26, 243.78], "score": 0.236}, ...

if save_json:

# 获取图片id

image_id = int(path.stem) if path.stem.isnumeric() else path.stem

# 获取预测框 并将xyxy转为xywh格式

box = xyxy2xywh(predn[:, :4]) # xywh

# 之前的的xyxy格式是左上角右下角坐标 xywh是中心的坐标和宽高

# 而coco的json格式的框坐标是xywh(左上角坐标 + 宽高)

# 所以这行代码是将中心点坐标 -> 左上角坐标 xy center to top-left corner

box[:, :2] -= box[:, 2:] / 2

# image_id: 图片id 即属于哪张图片

# category_id: 类别 coco91class()从索引0~79映射到索引0~90

# bbox: 预测框坐标

# score: 预测得分

for p, b in zip(pred.tolist(), box.tolist()):

jdict.append({'image_id': image_id,

'category_id': coco91class[int(p[5])] if is_coco else int(p[5]),

'bbox': [round(x, 3) for x in b],

'score': round(p[4], 5)})

# 6.9、计算混淆矩阵、计算correct、生成stats

# 初始化预测评定 niou为iou阈值的个数 Assign all predictions as incorrect

# correct = [pred_obj_num, 10] = [300, 10] 全是False

correct = torch.zeros(pred.shape[0], niou, dtype=torch.bool, device=device)

if nl:

detected = [] # target indices 用于存放已检测到的目标

tcls_tensor = labels[:, 0] # 当前图片的所有gt的类别

tbox = xywh2xyxy(labels[:, 1:5]) # gt boxes 获得xyxy格式的框

# 将预测框映射到原图img

scale_coords(img[si].shape[1:], tbox, shapes[si][0], shapes[si][1]) # native-space labels

if plots:

# 计算混淆矩阵 confusion_matrix

confusion_matrix.process_batch(predn, torch.cat((labels[:, 0:1], tbox), 1))

# Per target class

# 对图片中每个类别单独处理

for cls in torch.unique(tcls_tensor):

# gt中该类别的索引 target indices nonzero: 获取列表中为True的index

ti = (cls == tcls_tensor).nonzero(as_tuple=False).view(-1)

# 预测框中该类别的索引 prediction indices

pi = (cls == pred[:, 5]).nonzero(as_tuple=False).view(-1)

# Search for detections

if pi.shape[0]:

# Prediction to target ious

# predn[pi, :4]: 属于该类的预测框[144, 4] tbox[ti]: 属于该类的gt框[13, 4]

# box_iou: [144, 4] + [13, 4] => [144, 13] 计算属于该类的预测框与属于该类的gt框的iou

# .max(1): [144] 选出每个预测框与所有gt box中最大的iou值, i为最大iou值时对应的gt索引

ious, i = box_iou(predn[pi, :4], tbox[ti]).max(1) # best ious, indices

# Append detections

detected_set = set() # 这个参数好像没什么用

for j in (ious > iouv[0]).nonzero(as_tuple=False): # j: ious中>0.5的索引 只有iou>=0.5才是TP

# 获得检测到的目标

d = ti[i[j]] # detected target

if d.item() not in detected_set:

detected_set.add(d.item()) # 没什么用

detected.append(d) # 将当前检测到的gt框d添加到detected()

# iouv为以0.05为步长 0.5-0.95的序列

# 从所有TP中获取不同iou阈值下的TP true positive 并在correct中记录下哪个预测框是哪个iou阈值下的TP

# correct: [pred_num, 10] = [300, 10] 记录着哪个预测框在哪个iou阈值下是TP

correct[pi[j]] = ious[j] > iouv # iou_thres is 1xn

if len(detected) == nl: # 如果检测到的目标值等于gt框的个数 就结束

break

# 将每张图片的预测结果统计到stats中 Append statistics

# stats: correct, conf, pcls, tcls bs个 correct, conf, pcls, tcls

# correct: [pred_num, 10] bool 当前图片每一个预测框在每一个iou条件下是否是TP

# pred[:, 4]: [pred_num, 1] 当前图片每一个预测框的conf

# pred[:, 5]: [pred_num, 1] 当前图片每一个预测框的类别

# tcls: [gt_num, 1] 当前图片所有gt框的class

stats.append((correct.cpu(), pred[:, 4].cpu(), pred[:, 5].cpu(), tcls))

# 6.10、Plot images

# 画出前三个batch的图片的ground truth和预测框predictions(两个图)一起保存

if plots and batch_i < 3:

# ground truth

f = save_dir / f'test_batch{batch_i}_labels.jpg'

# Thread 表示在单独的控制线程中运行的活动 创建一个单线程(子线程)来执行函数 由这个子进程全权负责这个函数

# target: 执行的函数 args: 传入的函数参数 daemon: 当主线程结束后, 由他创建的子线程Thread也已经自动结束了

# .start(): 启动线程 当thread一启动的时候, 就会运行我们自己定义的这个函数plot_images

# 如果在plot_images里面打开断点调试, 可以发现子线程暂停, 但是主线程还是在正常的训练(还是正常的跑)

Thread(target=plot_images, args=(img, targets, paths, f, names), daemon=True).start()

# predictions 传入plot_images函数之前需要改变pred的格式 target则不需要改

f = save_dir / f'test_batch{batch_i}_pred.jpg'

Thread(target=plot_images, args=(img, output_to_target(out), paths, f, names), daemon=True).start()

# 6.11、计算mAP

# 统计stats中所有图片的统计结果 将stats列表的信息拼接到一起

# stats(concat后): list{4} correct, conf, pcls, tcls 统计出的整个数据集的GT

# correct [img_sum, 10] 整个数据集所有图片中所有预测框在每一个iou条件下是否是TP [1905, 10]

# conf [img_sum] 整个数据集所有图片中所有预测框的conf [1905]

# pcls [img_sum] 整个数据集所有图片中所有预测框的类别 [1905]

# tcls [gt_sum] 整个数据集所有图片所有gt框的class [929]

stats = [np.concatenate(x, 0) for x in zip(*stats)] # to numpy

# stats[0].any(): stats[0]是否全部为False, 是则返回 False, 如果有一个为 True, 则返回 True

if len(stats) and stats[0].any():

# 根据上面的统计预测结果计算p, r, ap, f1, ap_class（ap_per_class函数是计算每个类的mAP等指标的）等指标

# p: [nc] 最大平均f1时每个类别的precision

# r: [nc] 最大平均f1时每个类别的recall

# ap: [71, 10] 数据集每个类别在10个iou阈值下的mAP

# f1 [nc] 最大平均f1时每个类别的f1

# ap_class: [nc] 返回数据集中所有的类别index

p, r, ap, f1, ap_class = ap_per_class(*stats, plot=plots, save_dir=save_dir, names=names)

# ap50: [nc] 所有类别的mAP@0.5 ap: [nc] 所有类别的mAP@0.5:0.95

ap50, ap = ap[:, 0], ap.mean(1)

# mp: [1] 所有类别的平均precision(最大f1时)

# mr: [1] 所有类别的平均recall(最大f1时)

# map50: [1] 所有类别的平均mAP@0.5

# map: [1] 所有类别的平均mAP@0.5:0.95

mp, mr, map50, map = p.mean(), r.mean(), ap50.mean(), ap.mean()

# nt: [nc] 统计出整个数据集的gt框中数据集各个类别的个数

nt = np.bincount(stats[3].astype(np.int64), minlength=nc) # number of targets per class

else:

nt = torch.zeros(1)

# 6.12、print打印各项指标

# Print results 数据集图片数量 + 数据集gt框的数量 + 所有类别的平均precision +

# 所有类别的平均recall + 所有类别的平均mAP@0.5 + 所有类别的平均mAP@0.5:0.95

pf = '%20s' + '%11i' * 2 + '%11.3g' * 4 # print format

print(pf % ('all', seen, nt.sum(), mp, mr, map50, map))

# Print results per class

# 细节展示每个类别的各个指标 类别 + 数据集图片数量 + 这个类别的gt框数量 + 这个类别的precision +

# 这个类别的recall + 这个类别的mAP@0.5 + 这个类别的mAP@0.5:0.95

if (verbose or (nc < 50 and not training)) and nc > 1 and len(stats):

for i, c in enumerate(ap_class):

print(pf % (names[c], seen, nt[c], p[i], r[i], ap50[i], ap[i]))

# Print speeds t: {tuple: 3} 打印前向传播耗费的总时间、nms耗费总时间、总时间

t = tuple(x / seen * 1E3 for x in (t0, t1, t2)) # speeds per image

if not training:

shape = (batch_size, 3, imgsz, imgsz)

print(f'Speed: %.1fms pre-process, %.1fms inference, %.1fms NMS per image at shape {shape}' % t)

# 6.13、画出混淆矩阵并存入wandb_logger中

# Plots confusion_matrix + wandb_logger

if plots:

confusion_matrix.plot(save_dir=save_dir, names=list(names.values()))

if wandb_logger and wandb_logger.wandb:

val_batches = [wandb_logger.wandb.Image(str(f), caption=f.name) for f in sorted(save_dir.glob('test*.jpg'))]

wandb_logger.log({"Validation": val_batches})

if wandb_images:

wandb_logger.log({"Bounding Box Debugger/Images": wandb_images})

# 6.14、Save JSON

# 采用之前保存的json文件格式预测结果 通过cocoapi评估各个指标

# 需要注意的是 测试集的标签也要转为coco的json格式

if save_json and len(jdict):

w = Path(weights[0] if isinstance(weights, list) else weights).stem if weights is not None else '' # weights

anno_json = str(Path(data.get('path', '../coco')) / 'annotations/instances_val2017.json') # annotations json

# 获取预测框的json文件路径并打开

pred_json = str(save_dir / f"{w}_predictions.json") # predictions json

print('\nEvaluating pycocotools mAP... saving %s...' % pred_json)

with open(pred_json, 'w') as f:

json.dump(jdict, f)

try: # https://github.com/cocodataset/cocoapi/blob/master/PythonAPI/pycocoEvalDemo.ipynb

check_requirements(['pycocotools'])

from pycocotools.coco import COCO

from pycocotools.cocoeval import COCOeval

# 获取并初始化测试集标签的json文件

anno = COCO(anno_json) # init annotations api

# 初始化预测框的文件

pred = anno.loadRes(pred_json) # init predictions api

# 创建评估器

eval = COCOeval(anno, pred, 'bbox')

if is_coco:

eval.params.imgIds = [int(Path(x).stem) for x in dataloader.dataset.img_files] # image IDs to evaluate

# 评估

eval.evaluate()

eval.accumulate()

# 展示结果

eval.summarize()

map, map50 = eval.stats[:2] # update results (mAP@0.5:0.95, mAP@0.5)

except Exception as e:

print(f'pycocotools unable to run: {e}')

# 6.15、返回测试指标结果 Return results

model.float() # for training

if not training:

s = f"\n{len(list(save_dir.glob('labels/*.txt')))} labels saved to {save_dir / 'labels'}" if save_txt else ''

print(f"Results saved to {save_dir}{s}")

maps = np.zeros(nc) + map # [80] 80个平均mAP@0.5:0.95

for i, c in enumerate(ap_class):

maps[c] = ap[i] # maps [80] 所有类别的mAP@0.5:0.95

# (mp, mr, map50, map, *(loss.cpu() / len(dataloader)).tolist()): {tuple:7}

# 0: mp [1] 所有类别的平均precision(最大f1时)

# 1: mr [1] 所有类别的平均recall(最大f1时)

# 2: map50 [1] 所有类别的平均mAP@0.5

# 3: map [1] 所有类别的平均mAP@0.5:0.95

# 4: val_box_loss [1] 验证集回归损失

# 5: val_obj_loss [1] 验证集置信度损失

# 6: val_cls_loss [1] 验证集分类损失

# maps: [80] 所有类别的mAP@0.5:0.95

# t: {tuple: 3} 0: 打印前向传播耗费的总时间 1: nms耗费总时间 2: 总时间

"""

parser = argparse.ArgumentParser(prog='val.py')

parser.add_argument('--data', type=str, default='data/coco128.yaml', help='dataset.yaml path')

parser.add_argument('--weights', nargs='+', type=str, default='weights/yolov5s.pt', help='model.pt path(s)')

# parser.add_argument('--weights', nargs='+', type=str,

# default=['weights/yolov5s.pt', 'weights/yolov5m.pt'], help='model.pt path(s)')

parser.add_argument('--batch-size', type=int, default=4, help='batch size')

parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='inference size (pixels)')

parser.add_argument('--conf-thres', type=float, default=0.001, help='confidence threshold')

parser.add_argument('--iou-thres', type=float, default=0.6, help='NMS IoU threshold')

parser.add_argument('--task', default='val', help='train, val, test, speed or study')

parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')

parser.add_argument('--single-cls', action='store_true', help='treat as single-class dataset')

parser.add_argument('--augment', action='store_true', help='augmented inference')

parser.add_argument('--verbose', action='store_true', help='report mAP by class')

parser.add_argument('--save-txt', default=False, action='store_true', help='save results to *.txt')

parser.add_argument('--save-hybrid', default=False, action='store_true', help='save label+prediction hybrid results to *.txt')

parser.add_argument('--save-conf', default=False, action='store_true', help='save confidences in --save-txt labels')

parser.add_argument('--save-json', action='store_true', help='save a cocoapi-compatible JSON results file')

parser.add_argument('--project', default='runs/test', help='save to project/name')

parser.add_argument('--name', default='exp', help='save to project/name')

parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')

parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference')

opt = parser.parse_args() # 解析上述参数

opt.save_json |= opt.data.endswith('coco.yaml') # |或 左右两个变量有一个为True 左边变量就为True

opt.save_txt |= opt.save_hybrid

opt.data = check_file(opt.data) # check file

# 初始化日志 设置logging的等级level、输出格式和内容format等基本信息

set_logging()

# 打印信息 test(高亮): opt各个参数值

print(colorstr('test: ') + ', '.join(f'{k}={v}' for k, v in vars(opt).items()))

# 检测requirements文件中需要的包是否安装好了

check_requirements(exclude=('tensorboard', 'thop'))

# 如果task in ['train', 'val', 'test']就正常测试 训练集/验证集/测试集

if opt.task in ('train', 'val', 'test'): # run normally

run(**vars(opt))

# 如果opt.task == 'speed' 就测试yolov5系列和yolov3-spp各个模型的速度评估

elif opt.task == 'speed': # speed benchmarks

for w in opt.weights if isinstance(opt.weights, list) else [opt.weights]:

run(opt.data, weights=w, batch_size=opt.batch_size, imgsz=opt.imgsz, conf_thres=.25, iou_thres=.45,

save_json=False, plots=False)

# 如果opt.task = ['study']就评估yolov5系列和yolov3-spp各个模型在各个尺度下的指标并可视化

elif opt.task == 'study': # run over a range of settings and save/plot

# python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5s.pt yolov5m.pt yolov5l.pt yolov5x.pt

x = list(range(256, 1536 + 128, 128)) # x axis (image sizes)

for w in opt.weights if isinstance(opt.weights, list) else [opt.weights]:

f = f'study_{Path(opt.data).stem}_{Path(w).stem}.txt' # filename to save to

y = [] # y axis

for i in x: # img-size

print(f'\nRunning {f} point {i}...')

r, _, t = run(opt.data, weights=w, batch_size=opt.batch_size, imgsz=i, conf_thres=opt.conf_thres,

iou_thres=opt.iou_thres, save_json=opt.save_json, plots=False)

y.append(r + t) # results and times

np.savetxt(f, y, fmt='%10.4g') # save

os.system('zip -r study.zip study_*.txt')

# 可视化各个指标