Faster-RCNN-TF测试及问题
前面仅说了如何训练自己的数据，其实运行Faster-RCNN-TF训练后，也会经过验证以及测试，最后产生一个结果，具体结果就是我们常说的AP值，当然对于多分类问题程序会求出mAP值。这里主要是记录一下在训练后会出现的问题，然后能让我们进行接下来的测试集测试以及demo的测试，同时通过测试，可以帮助我们更好的优化我们的模型，让模型达到更好的效果。
一、测试
测试前准备
对于测试，我们在训练完成后，Faster-RCNN-TF会将训练好的模型保存在output文件夹下，具体如下，这里是自己训练的一个模型 ，前面迭代次数保存的模型，自己删掉了，所以，就只看一下这个吧。
对于需要调整参数进行优化的我们来讲，我们最好对于不同迭代次数产生的模型都进行测试，能够让我们很好的找到一个合适的迭代次数。
训练完成后，会产生许多数据的计算值，并保存了下来，但是在单独测试（单独）时，我们就要将这些文件删除了，以免会产生错误，如下图
另外，在测试前，一定要进入自己数据集中的ImageSet/Main文件夹下，重新看一下自己的训练、验证、测试集编号和数量，确认没有问题。
测试
我们可以根据tool文件夹里的test_net.py文件能够得到我们的训练语句，如下图
这里，根据自己的情况进行修改，其中default中的值就是默认值，如果你在测试时，在终端输入时对这部分不赋值，那么就会按照default中默认值进行赋值。如果你想压缩在终端时的赋值语句，就完全可以把这部分的default值全部按照自己要输入的值修改好。
这里是自己的一个测试语句
这里，采用gpu，weights就是我们训练好的模型位置。cfg就选择你测试的方式，这里使用的就是端到端的方式，即由输入直接得到结果。networks就是你使用的网络结构，当然，如果你有自己的网络结构，可以使用自己的，只是自己需要重新修改定义。
测试的结果，自然是计算AP值，针对多分类任务，会求出mAP值，我们也一直使用它来衡量模型的效果。
有时，自己会使用alt_opt的方法，也就是交替优化，这种方法，可以先找出目标位置和大小，再经过第二部分网络，判断目标存在以及分类。这样增加训练的时长，但有助于我们修改以及理解算法。
二、问题
这部分产生的问题，主要还是没有全部将代码修改好，如果我们想通过训练然后直接得到目标迭代次数的模型结果，我们就要将测试部分的代码也修改好。
如在lib/networks/VGGnet_test.py，需要修改类别
另外在lib/fast_rcnn/config.py中修改超参数，这个根据自己目标情况修改。
最重要的问题，自己在训练完成到测试时会产生一个问题，就是无法找到comp文件，文件名太长，就不写了，直接截图了
就是放在这个位置的txt文件，当然，前面的results/VOC2007/Main文件夹也不存在，最终在同学的指导帮助下，就是自己直接在训练前或者测试前，建立results/VOC2007/Main文件夹，并建立以comp这个名字命名的txt文件，这样就解决了出错的问题。
但是，为什么这样修改，这个问题一直困扰着自己，所以如果最近有同学也遇到相同的问题，可以一起交流一下！！
这些只是自己的总结，不足的地方希望阅读者指正见谅！