【超详细】MMLab分类任务mmclassification：环境配置说明、训练、预测及模型结果可视化展示（2）https://developer.aliyun.com/article/1536294
模型预测
此处也可以直接下载网上的预训练模型到本地直接进行预测,也可以用刚才自己训练好的模型。
下载链接：https://github.com/open-mmlab/mmclassification
自己训练好的模型默认在下面这个目录下面：
一、单张图片预测
可以使用demo/image_demo.py文件
配置下面三个参数：
image_04903.jpg # 图片名称 ../tools/work_dirs/My20230317_resnet18_8xb32_in1k.py # 训练用的配置文件 ../tools/work_dirs/esnet18_8xb32_in1k/epoch_100.pth # 训练好的模型地址
然后运行image_demo.py文件，结果如下：图片上会出现预测图片名称、标签、置信度
二、多张图片预测
使用tools/test.py文件
设置运行参数：(可根据上文参数说明修改相应需要的运行参数)
模型会自动将之前配置文件resnet18_8xb32_in1k.py中test目录下的图片，都进行检测一遍。
./work_dirs/My20230317_resnet18_8xb32_in1k.py # 配置文件路径 ./work_dirs/esnet18_8xb32_in1k/epoch_100.pth # 训练好的模型 --metrics #评估参数，自己选择需要看的参数 accuracy recall
参数设置好后，运行test.py文件，运行结果如下：
可视化展示
tools/visualizations目录是用于进行结果可视化演示的：
数据增强可视化
输入运行参数，运行vis_pipeline.py文件，会在指定的输出目录下生成相应可视化结果：这个会展示图像在进入模型前的一些处理操作。
注：可根据需要自己设置相应参数。
../../configs/resnet/My20230317_resnet18_8xb32_in1k.py --output-dir ../work_dirs/esnet18_8xb32_in1k/vis/vis_pipeline --phase train --number 10 --mode pipeline
特征可视化–vis_cam.py文件
需要额外装一个第三方库：pip install grad-cam
利用训练好的模型，进行图像特征可视化操作,观察模型的注意力在图片的什么位置：
至少需要3个参数：图像路径，模型配置文件路径，训练好的模型路径。
不指定类别的话，默认选择图片所属概率最高的类别进行处理。
target-layers参数可以指定给定层的注意力情况，默认是最后一层网络。
结果显示如下：图片中蓝色部分表示不怎么关注的，红色地方表示比较关注的，可以看到模型的主要注意力都集中在了狗狗的头部。
结果日志分析工具
1.绘制参数曲线、
2.计算模型训练时间
3.计算模型的参数量（不需要训练好模型）：配置文件、输入图片大小
绘制参数曲线运行参数示例：
plot_curve ../work_dirs/resnet18_8xb32_in1k/flower-100epoch.json --keys loss
计算模型训练时间参数示例
cal_train_time ../work_dirs/resnet18_8xb32_in1k/flower-100epoch.json
关注GZH：阿旭算法与机器学习，回复：【mmlab实战1】即可获取已经下载好的mmlabclassification源码与demo训练用的数据：数据在mmcls/data目录中，已经放置好了
