PaddlePaddle飞桨OCR文本检测——检测模型测试与评估（平均准确率、平均召回率、修改交并比IOU）（四）_mobilenetv3_large_x0_5_pretrained

接上一篇：检测模型训练（二）
PaddlePaddle环境的构建详见专栏内其他文章。

本文使用MobileNetV3_large_x0_5_pretrained预训练检测模型，评估该检测模型在icdar2015上的检测效果。

icdar2015检测数据集如上图所示。

首先修改配置文件，文件路径如下图所示

这是MobileNetV3_large_x0_5_pretrained模型的配置文件，如果用的是其他模型，请使用其他的.yml配置文件。

打开.yml配置文件，在Architecture标签下可以看到该配置文件适用的模型是MobileNetV3,算法是DB，其他算法模型效果列表：

在Global标签下，写上模型的路径。注意断点路径checkpoints是优先使用的。
下一步直奔eval标签下的测试集路径：

快速评估，在G:\python_OCR\PaddleOCR-dygraph路径下打开cmd（不管放在哪里，一定要在PaddleOCR-dygraph路径下）
运行下面这行代码：

python tools/eval.py -c configs/det/det_mv3_db.yml PostProcess.box_thresh=0.5 PostProcess.unclip_ratio=1.5
1

其中-c后面是刚刚修改的参数文件路径。

PostProcess.box_thresh=0.5是算法内置的一个阈值，大于这个阈值会认为检测到，小于这个阈值就不会认为检测到。设置这个值小于0.5，检测到的框数量会增加。当发现模型在实际应用中很难检测出图片中的文本时，可以适当调低该值。

PostProcess.unclip_ratio=1.5表示检测框的大小，值越大检测框越大。

在paddleorc.py中，默认值如下所示：

下面两个图可以生动反映出调整PostProcess.unclip_ratio的结果：
上方的图PostProcess.unclip_ratio=2.0，下放的图PostProcess.unclip_ratio=0.5

可以看到当PostProcess.unclip_ratio减小时，框更小了，更贴近于文字了。

哦对，忘了放检测单张图片的代码了：

python tools/infer_det.py -c configs/det/det_mv3_db.yml -o Global.infer_img="./doc/imgs_en/img_12.jpg" Global.load_static_weights=false PostProcess.unclip_ratio=0.5
1

Global.infer_img可以是任意图片，paddle很贴心的给你内置了几张在doc文件夹里，注意icdar是英文数据集只能识别出英文。

言归正传，看eval的效果：

precision是平均准确度，recall是平均召回率，hmean是这两项的调和平均。
看起来效果很差……不过没关系，这只是一个预训练模型。

降低交并比IOU可以有效提高准确率（掩耳盗铃）
交并比定义参考https://blog.csdn.net/ybdesire/article/details/82056485

修改IOU的方法如下：

默认是0.5