dasac 测试

环境准备

1. 基础环境

原项目要求 Python >=3.6, PyTorch >=1.4, CUDA >= 10.0。

• 在中科曙光的机器上，用 Python == 3.8.19，PyTorch == 2.1.1，CUDA == 10.2 测试通过。
• 在实验室台式机上，用 Python == 3.8.19，PyTorch == 2.3.1，CUDA == 12.2 测试通过。

其中，PyTorch 的安装可以参考官网。

• 中科曙光的机器要从服务器上下载 wheel 文件手动安装。

2. OpenCV

安装最新版本的 OpenCV：

conda install -c conda-forge opencv

3. 其他依赖

pip install -r requirements.txt

数据准备

1. 数据集

在项目根目录下创建 input 文件夹，将数据集放在其中的 image 文件夹下，形如：

input
├── image
│   ├── 000001.png
│   ├── 000002.png
│   ├── 000003.png
│   ├── 000004.png
│   ├── 000005.png
│   └── ...
└── test_input.png

• test_input.png 不是必需的。

2. 模型

使用提供的预训练模型或者训练好的模型用于推理。对于预训练模型，可以通过脚本下载：

bash snapshots/cityscapes/baselines/download_baselines.sh

• 下载模型的选择可以在 download_baselines.sh 中修改，当前程序适配的是 resnet101_gta 系列的模型。

运行测试

• 对于中科曙光的机器，脚本应使用 ixsmi 获取 GPU 信息。
• 对于有 NVIDIA 驱动的机器，脚本应修改为使用 nvidia-smi 获取 GPU 信息。

1. 单通道测试

bash test_single.sh

成功运行后，会在当前目录下保存 test.log 和 gpu_info.log 文件。前者保存图片处理的时间，后者保存 GPU 的信息。

2. 双通道测试

bash test_batch.sh

成功运行后，会在当前目录下保存 test_1.log、test_2.log 和 gpu_info.log 文件。

3. 评估

python test.py --mode parse_logs --gpu_info_log_path <gpu_info_log_path> --test_log_path <test_log_path>

• <gpu_info_log_path> 为 GPU 信息的日志文件路径。
• <test_log_path> 为测试日志文件路径。对于双通道测试，选择其中一个即可。

评估结果会输出到终端，包含 GPU 温度、功耗、内存使用、利用率和处理帧率等信息。