关于mmdetection、mmrotate如何计算参数量、计算量和速度FPS

近几天跑完实验后，发现效果还是不错，于是开始进行模型的参数量、计算量和速度指标的计算对比，话不多说，直接上干货。

--------------------------------------------------------------------------------------------------------------------------

首先记住一句话：模型的参数量越小，这个模型的计算量不一定小，速度也不一定快。

关于参数量和计算量：

找到mmdetection或mmrotate的 tools/analysis_tools/get_flops.py文件，可以看到：

config表示你的模型配置文件、

shape表示输入图片的长宽

测试如下：

python tools/analysis_tools/get_flops.py work_dirs/s2anet_r50_fpn_3x_hrsc_le135/s2anet_r50_fpn_3x_hrsc_le135.py

结果如下：

一目了然！

而有人会问Flops与GFLOPs的区别，简单来说， GFLOPs是与你的硬件配置有关，可以理解为日常生活中常用的单位：kg、m等单位，这里不必关心。而Flops就是你的模型计算量了，这里数字越大代表计算量越大。

参数量我这里就不细说了。

------------------------------------------------------------------------------------------------------------------------

关于FPS的计算

找到tools/analysis_tools/benchmark.py文件

config意义同上

checkpoint表示权重文件，演示如下： 

python -m torch.distributed.launch --nproc_per_node=1 --master_port=29500  tools/analysis_tools/benchmark.py runs/rotated_fcos_r50_fpn_1x_hrsc_le90_reg.py runs/latest.pth --launcher pytorch

前面这一串 -m torch.distributed.launch --nproc_per_node=1 --master_port=29500 代表分布式的参数，不必深究。

记得最后要带上--launcher pytorch

运行后，结果如下：

一目了然！ 

-----------------------------------------------------------------------------------------------------------------------

最后，我还需要i强调一点的是：不同模型的FPS必须要在相同的输入图片大小的基础下才具有可比性！

以上，希望能让大家少踩坑！有问题可以评论留言！