# 日志分析 ## 曲线图绘制 MMDetection 中的 `tools/analysis_tools/analyze_logs.py` 可利用指定的训练 log 文件绘制 loss/mAP 曲线图，第一次运行前请先运行 `pip install seaborn` 安装必要依赖。 ```shell mim run mmdet analyze_logs plot_curve \ ${LOG} \ # 日志文件路径 [--keys ${KEYS}] \ # 需要绘制的指标，默认为 'bbox_mAP' [--start-epoch ${START_EPOCH}] # 起始的 epoch，默认为 1 [--eval-interval ${EVALUATION_INTERVAL}] \ # 评估间隔，默认为 1 [--title ${TITLE}] \ # 图片标题，无默认值 [--legend ${LEGEND}] \ # 图例，默认为 None [--backend ${BACKEND}] \ # 绘制后端，默认为 None [--style ${STYLE}] \ # 绘制风格，默认为 'dark' [--out ${OUT_FILE}] # 输出文件路径 # [] 代表可选参数，实际输入命令行时，不用输入 [] ``` 样例： - 绘制分类损失曲线图 ```shell mim run mmdet analyze_logs plot_curve \ yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700.log.json \ --keys loss_cls \ --legend loss_cls ```

- 绘制分类损失、回归损失曲线图，保存图片为对应的 pdf 文件 ```shell mim run mmdet analyze_logs plot_curve \ yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700.log.json \ --keys loss_cls loss_bbox \ --legend loss_cls loss_bbox \ --out losses_yolov5_s.pdf ```

- 在同一图像中比较两次运行结果的 bbox mAP ```shell mim run mmdet analyze_logs plot_curve \ yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700.log.json \ yolov5_n-v61_syncbn_fast_8xb16-300e_coco_20220919_090739.log.json \ --keys bbox_mAP \ --legend yolov5_s yolov5_n \ --eval-interval 10 # 注意评估间隔必须和训练时设置的一致，否则会报错 ```

## 计算平均训练速度 ```shell mim run mmdet analyze_logs cal_train_time \ ${LOG} \ # 日志文件路径 [--include-outliers] # 计算时包含每个 epoch 的第一个数据 ``` 样例： ```shell mim run mmdet analyze_logs cal_train_time \ yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700.log.json ``` 输出以如下形式展示： ```text -----Analyze train time of yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700.log.json----- slowest epoch 278, average time is 0.1705 s/iter fastest epoch 300, average time is 0.1510 s/iter time std over epochs is 0.0026 average iter time: 0.1556 s/iter ```