PaddleOCR/test_tipc/docs/test_train_inference_python.md

基础训练预测功能测试

基础训练预测功能测试的主程序为test_train_inference_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。

1. 测试结论汇总

• 训练相关：

算法名称	模型名称	单机单卡	单机多卡	多机多卡	模型压缩（单机多卡）
DB	ch_ppocr_mobile_v2.0_det	正常训练 混合精度	正常训练 混合精度	正常训练 混合精度	正常训练：FPGM裁剪、PACT量化 离线量化（无需训练）
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	正常训练：FPGM裁剪、PACT量化 离线量化（无需训练）
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	正常训练：PACT量化 离线量化（无需训练）
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	正常训练：PACT量化 离线量化（无需训练）
PP-OCR	ch_ppocr_mobile_v2.0	正常训练 混合精度	正常训练 混合精度	正常训练 混合精度	-
PP-OCR	ch_ppocr_server_v2.0	正常训练 混合精度	正常训练 混合精度	正常训练 混合精度	-
PP-OCRv2	ch_PP-OCRv2	正常训练 混合精度	正常训练 混合精度	正常训练 混合精度	-

• 预测相关：基于训练是否使用量化，可以将训练产出的模型可以分为正常模型和量化模型，这两类模型对应的预测功能汇总如下，

模型类型	device	batchsize	tensorrt	mkldnn	cpu多线程
正常模型	GPU	1/6	fp32/fp16	-	-
正常模型	CPU	1/6	-	fp32	支持
量化模型	GPU	1/6	int8	-	-
量化模型	CPU	1/6	-	int8	支持

2. 测试流程

2.1 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 ../
  

2.2 功能测试

先运行prepare.sh准备数据和模型，然后运行test_train_inference_python.sh进行测试，最终在test_tipc/output目录下生成python_infer_*.log格式的日志文件。

test_train_inference_python.sh包含5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 test_tipc/prepare.sh ./test_tipc/configs/ppocr_det_mobile_params.txt 'lite_train_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/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 test_tipc/prepare.sh ./test_tipc/configs/ppocr_det_mobile_params.txt 'whole_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/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 test_tipc/prepare.sh ./test_tipc/configs/ppocr_det_mobile_params.txt 'infer'
# 用法1:
bash test_tipc/test_train_inference_python.sh ./test_tipc/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 test_tipc/test_train_inference_python.sh ./test_tipc/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 test_tipc/prepare.sh ./test_tipc/configs/ppocr_det_mobile_params.txt 'whole_train_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/ppocr_det_mobile_params.txt 'whole_train_infer'

• 模式5：klquant_infer，测试离线量化；

bash test_tipc/prepare.sh ./test_tipc/configs/ppocr_det_mobile_params.txt 'klquant_infer'
bash test_tipc/test_train_inference_python.sh test_tipc/configs/ppocr_det_mobile_params.txt  'klquant_infer'

2.3 精度测试

使用compare_results.py脚本比较模型预测的结果是否符合预期，主要步骤包括：

• 提取日志中的预测坐标；
• 从本地文件中提取保存好的坐标结果；
• 比较上述两个结果是否符合精度预期，误差大于设置阈值时会报错。

使用方式

运行命令：

python3.7 test_tipc/compare_results.py --gt_file=./test_tipc/results/python_*.txt  --log_file=./test_tipc/output/python_*.log --atol=1e-3 --rtol=1e-3

参数介绍：

• gt_file： 指向事先保存好的预测结果路径，支持*.txt 结尾，会自动索引*.txt格式的文件，文件默认保存在test_tipc/result/ 文件夹下
• log_file: 指向运行test_tipc/test_train_inference_python.sh 脚本的infer模式保存的预测日志，预测日志中打印的有预测结果，比如：文本框，预测文本，类别等等，同样支持python_infer_*.log格式传入
• atol: 设置的绝对误差
• rtol: 设置的相对误差

运行结果

正常运行效果如下图：

出现不一致结果时的运行输出：

3. 更多教程

本文档为功能测试用，更丰富的训练预测使用教程请参考：
模型训练
基于Python预测引擎推理