TensorFlow Object Detection API批量评估检查点及TensorBoard可视化问题

一、批量评估所有检查点 #

方法1：脚本遍历检查点（推荐） #

针对TensorFlow 2.x版本的Object Detection API，可通过脚本遍历训练目录下的所有检查点，逐个调用评估命令，确保每个检查点的结果都被记录。

Shell脚本（Linux/macOS）

# 替换为你的实际路径
TRAIN_DIR="/path/to/your/training_dir"
EVAL_DIR="/path/to/your/eval_dir"
PIPELINE_CONFIG="/path/to/your/pipeline.config"

# 提取所有检查点的步数并逐个评估
for ckpt_step in $(ls ${TRAIN_DIR}/model.ckpt-*.index | sed -e 's/.*model.ckpt-\([0-9]*\).index/\1/'); do
  echo "Evaluating checkpoint step ${ckpt_step}"
  python model_main_tf2.py \
    --pipeline_config_path=${PIPELINE_CONFIG} \
    --model_dir=${TRAIN_DIR} \
    --checkpoint_path=${TRAIN_DIR}/model.ckpt-${ckpt_step} \
    --eval_dir=${EVAL_DIR} \
    --num_eval_steps=500  # 根据验证集大小调整，设为-1表示遍历全部样本
done

PowerShell脚本（Windows）

# 替换为你的实际路径
$TRAIN_DIR = "C:\path\to\training_dir"
$EVAL_DIR = "C:\path\to\eval_dir"
$PIPELINE_CONFIG = "C:\path\to\pipeline.config"

# 遍历所有检查点文件
Get-ChildItem -Path $TRAIN_DIR -Filter "model.ckpt-*.index" | ForEach-Object {
    $ckpt_step = $_.Name -replace 'model.ckpt-(\d+).index', '$1'
    Write-Host "Evaluating checkpoint step $ckpt_step"
    python model_main_tf2.py `
        --pipeline_config_path=$PIPELINE_CONFIG `
        --model_dir=$TRAIN_DIR `
        --checkpoint_path="$TRAIN_DIR\model.ckpt-$ckpt_step" `
        --eval_dir=$EVAL_DIR `
        --num_eval_steps=500
}

方法2：修改配置文件自动评估 #

修改pipeline.config中的eval_config部分，让评估脚本自动扫描训练目录下的所有检查点：

eval_config {
  metrics_set: "coco_detection_metrics"  # 对应mAP指标
  use_moving_averages: false
  checkpoint_dir: "/path/to/your/training_dir"  # 指定训练目录而非单个检查点
  min_eval_interval_secs: 0  # 关闭定期评估间隔
  start_delay_secs: 0  # 立即开始评估
  max_num_eval_steps: 500  # 每次评估的步数
}

运行评估命令：

python model_main_tf2.py --pipeline_config_path=${PIPELINE_CONFIG} --model_dir=${TRAIN_DIR} --eval_dir=${EVAL_DIR}

二、在TensorBoard中展示mAP折线图 #

1. 确保所有检查点的评估结果都写入同一个eval_dir，TensorBoard会自动收集不同步数对应的mAP数据。
2. 启动TensorBoard并指向该评估目录：

tensorboard --logdir=${EVAL_DIR}

3. 在TensorBoard的SCALARS面板中，找到DetectionBoxes_Precision/mAP指标，即可查看随训练步数变化的mAP折线图。

关键注意事项 #

• 验证pipeline.config中的eval_input_reader已正确指向你的验证集数据（TFRecord或其他格式）。
• 若使用TensorFlow 1.x版本，将命令中的model_main_tf2.py替换为eval.py并调整对应参数。
• 设置num_eval_steps为-1可遍历整个验证集，得到更准确的mAP值，但会增加评估时间。

内容的提问来源于stack exchange，提问作者Annie