当前位置：首页 > article >正文

批量处理多个模型的预测任务

article 2025/1/30 13:23:51

#!/bin/bash

# 检查是否传入必要的参数，若未传入参数则打印用法并退出
if [ "$#" -lt 1 ]; then
  echo "用法: $0 <file_path>"
  echo "示例: $0 /home/aistudio/work/PaddleSeg/city/cityscapes_urls_extracted.txt"
  exit 1
fi

# 读取命令行传入的文件路径作为第一个参数
file_path="$1"
# 设置图片路径（用于预测时加载图像）
image_path="/home/aistudio/work/PaddleSeg/val"
# 设置结果保存路径
save_dir="/home/aistudio/work/PaddleSeg/output1"
# 设置配置文件基础路径
config_base_dir="/home/aistudio/work/PaddleSeg/configs"

# 检查输入的文件路径是否存在，如果文件不存在则打印错误并退出
if [ ! -f "$file_path" ]; then
  echo "文件 $file_path 不存在"
  exit 1
fi

# 获取 configs 目录下的所有子文件夹（每个文件夹的名字作为模型核心名称）
for model_core_name in $(ls -d $config_base_dir/*/); do
  # 提取文件夹名称作为模型核心名称
  model_core_name=$(basename $model_core_name)

  # 输出当前模型核心名称，帮助调试
  echo "模型核心名称: $model_core_name"

  # 遍历指定的文件（$file_path），读取每一行内容
  while IFS= read -r url; do
    # 检查该行是否包含 "model.pdparams"，以确认是有效的模型路径
    if [[ "$url" == *"model.pdparams" ]]; then
      # 提取模型完整名称（即倒数第一层目录名作为模型名称）
      model_full_name=$(basename "$(dirname "$url")")

      # 根据模型核心名称和完整名称，组合出配置文件的路径
      config_path="${config_base_dir}/${model_core_name}/${model_full_name}.yml"

      # 检查对应的配置文件是否存在，如果不存在则跳过当前模型
      if [ ! -f "$config_path" ]; then
        echo "配置文件 $config_path 不存在"
        continue
      fi

      # 生成预测命令，执行预测操作
      command="python predict.py \
        --config $config_path \
        --model_path $url \
        --image_path $image_path \
        --save_dir $save_dir/$model_full_name"

      # 打印生成的命令，方便调试
      echo "执行命令: $command"

      # 执行预测命令
      eval $command || { echo "命令执行失败: $command"; exit 1; }

      # 输出空行，便于分隔每个模型的预测结果
      echo ""
    fi
  done < "$file_path"
done

代码逻辑及注释说明：

检查输入参数：
- 脚本首先检查是否传入了正确的参数。如果没有传入参数（即 "$#" 小于 1），则会提示用法并退出。
设置路径变量：
- file_path：传入的包含模型路径的文件。
- image_path：用于预测的图像路径。
- save_dir：存放预测结果的文件夹路径。
- config_base_dir：存放配置文件的基础路径。
检查文件是否存在：
- 脚本会检查输入的文件路径（$file_path）是否存在。如果不存在，则会输出错误并退出。
遍历配置文件夹：
- 使用 ls -d $config_base_dir/*/ 获取 configs 目录下的所有子文件夹（每个文件夹代表一个模型核心名称）。例如，如果文件夹名为 ginet，则模型核心名称就是 ginet。
- 对每个模型核心名称（文件夹名），脚本都会提取该模型的完整名称，并根据模型路径和完整名称生成相应的配置文件路径。
读取模型路径并执行预测：
- 脚本会读取输入文件（$file_path）中的每一行，检查每行是否是以 model.pdparams 结尾的有效模型路径。
- 对于有效路径，生成对应的配置文件路径，组合成预测命令，并执行该命令。
生成并执行预测命令：
- 使用 eval 执行构建的 Python 命令。该命令会调用 predict.py 脚本，传入配置文件、模型路径、图像路径等参数进行预测。
- 如果命令执行失败，脚本会打印错误信息并退出。
输出调试信息：
- 在执行命令前，会输出当前的预测命令，帮助调试。
- 每个模型的预测执行完成后，输出一个空行以便区分不同模型的结果。