PaddleOCR/tests/docs/test_python.md

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：方式包括： 【单机单卡、单机多卡、多机多卡】【正常训练、混合精度训练】【裁剪、在线量化、蒸馏】

算法名称	模型名称	单机单卡	单机多卡	多机多卡	模型压缩
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	裁剪、在线/离线量化、蒸馏
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	裁剪、在线/离线量化、蒸馏
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	裁剪、在线/离线量化、蒸馏
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	裁剪、在线/离线量化、蒸馏
PP-OCR	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	裁剪、在线/离线量化、蒸馏
PP-OCR	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	裁剪、在线/离线量化、蒸馏

算法名称	模型名称	单机单卡	单机多卡	多机多卡
DB	ch_ppocr_mobile_v2.0_det	正常训练 混合精度	正常训练 混合精度
DB	ch_ppocr_server_v2.0_det	正常训练 混合精度	正常训练 混合精度
DB	ch_ppocr_mobile_v2.0_det_pact	正常训练 混合精度	正常训练 混合精度
DB	ch_ppocr_mobile_v2.0_det_fpgm	正常训练 混合精度	正常训练 混合精度
CRNN	ch_ppocr_mobile_v2.0_rec	正常训练 混合精度	正常训练 混合精度
CRNN	ch_ppocr_server_v2.0_rec	正常训练 混合精度	正常训练 混合精度
CRNN	ch_ppocr_mobile_v2.0_rec_pact	正常训练 混合精度	正常训练 混合精度
CRNN	ch_ppocr_mobile_v2.0_rec_fpgm	正常训练 混合精度	正常训练 混合精度
PP-OCR	ch_ppocr_server_v2.0_det	正常训练 混合精度	正常训练 混合精度
PP-OCR	ch_ppocr_server_v2.0_det	正常训练 混合精度	正常训练 混合精度

预测相关：

模型名称	算法名称	模型类型	device	batchsize=1/6	mkldnn	tensorrt	cpu多线程
ch_ppocr_mobile_v2.0_det	DB	检测	CPU/GPU	支持	支持	fp32/fp16/int8	支持
ch_ppocr_mobile_v2.0_rec	CRNN	识别	CPU/GPU	支持	支持	fp32/fp16/int8	支持
ch_ppocr_server_v2.0_det	DB	检测	CPU/GPU	支持	支持	fp32/fp16/int8	支持
ch_ppocr_server_v2.0_rec	CRNN	识别	CPU/GPU	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.log后缀的日志文件。

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'

3. 精度测试