企业官网建设流程全解析

如何用 pytorch-image-models 的 validate.py 在 ImageNet 验证集上评估 timm 模型并导出 CSV 结果？

【免费下载链接】pytorch-image-modelsThe largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, and more项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-image-models

在 timm（pytorch-image-models）里，validate.py是仓库根目录自带的验证脚本：它在一个按 ImageNet 结构组织的验证集上加载一个 timm 模型，跑完整个验证集后输出 Top-1 / Top-5 准确率，并把汇总结果写入 CSV（或 JSON）文件。本文的目标就一条：从仓库中取出validate.py，在 ImageNet 验证集上评估一个已带预训练权重的模型，并把结果落盘成 CSV。

前提：脚本不在 pip 发行包里，需要仓库根目录

pip install timm安装的是库本身，但训练/验证/推理脚本并不随 pip 包分发（见 Scripts 文档 开头说明："Scripts are not currently packaged in the pip release"）。所以要同时拿到validate.py和可用的timm库，最省事的路径是从源码安装，这样仓库根目录里的脚本和库一起就位（参考 Installation 的 From Source 一节）：

git clone <仓库地址> pytorch-image-models # 换成你使用的 pytorch-image-models 仓库地址 cd pytorch-image-models pip install -e .

安装完成后，可用 Installation 给出的检查命令确认库能正常加载：

python -c "from timm import list_models; print(list_models(pretrained=True)[:5])"

能打印出一批模型名即表示timm安装成功。注意validate.py里的模型名、数据加载和权重都依赖timm库，两者必须来自同一套代码，这也是要一起准备的原因。

准备 ImageNet 验证集目录

validate.py的--data-dir指向的是验证图片所在文件夹本身，而不是训练时那种包含train/validation两个子目录的根目录（Scripts 文档 明确："Specify the folder containing validation images, not the base as in training script"）。以标准 ImageNet-1k 为例，应指向 5 万张验证图片的目录，例如/imagenet/validation/。

• 默认数据集读取方式是 ImageFolder（--dataset留空时的默认值，见 validate.py 的--dataset说明）。
• 如果你用的是 tar 打包的验证集等其它组织方式，可通过--dataset "<type>/<name>"指定数据集类型与名称。
• 默认加载 4 个 worker（-j）、batch size 256（-b），可在显存不足时调小。

运行单模型验证（主路径）

下面这条命令用模型的预训练权重在验证集上评估seresnext26_32x4d（该示例命令直接取自 Scripts 文档），并把结果写入val.csv：

python validate.py --data-dir /imagenet/validation/ --model seresnext26_32x4d --pretrained --results-file val.csv

各参数与适用条件：

• --data-dir：验证图片目录，必填。
• --model / -m：模型架构名，默认dpn92。名字可用通配符，也可指向一个包含模型名的文本文件（见 validate.py 的main()逻辑）。
• --pretrained：使用模型自带的预训练权重。不加该参数、又未提供--checkpoint时，脚本内部会把pretrained置为True（validate.py 中args.pretrained = args.pretrained or not args.checkpoint）。
• --results-file：结果输出文件名，留空则不写文件（只打印到终端）。
• --results-format：输出格式，csv（默认）或json（见 validate.py 的--results-format）。

脚本的默认设备是cuda（--device默认值cuda）；需要换到别的加速器时显式传--device。要开启混合精度推理可加--amp（默认float16，可用--amp-dtype改为bfloat16，见 validate.py）。

从训练 checkpoint 评估

如果要评估的是自己训练的 checkpoint 而不是官方预训练权重，改用--checkpoint指定权重文件（该示例命令取自 Scripts 文档）：

python validate.py --data-dir /imagenet/validation/ --model mobilenetv3_large_100 --checkpoint ./output/train/model_best.pth.tar

--checkpoint指向单个.pth.tar/.pth文件。当--checkpoint指向一个目录时，脚本会批量验证该目录下同架构的所有 checkpoint（glob匹配*.pth.tar和*.pth，见 validate.py 的main()），结果会按 Top-1 排序。若 checkpoint 里带有 EMA 权重，可加--use-ema选用 EMA 版本。

验证输出与 CSV 结果

运行结束时，脚本会在日志里打印一行汇总，例如：

* Acc@1 xxx.xxx (xxx.xxx) Acc@5 xxx.xxx (xxx.xxx)

（以上xxx为占位，实际数值取决于你的模型与验证集，文档未给出固定预期值。）同时脚本会把完整结果以 JSON 形式打印到标准输出，并用--result作为分隔标记，方便上层脚本解析（见 validate.py 末尾的print）。

当指定了--results-file时，write_results会把汇总写成 CSV。CSV 的列来自结果字典的键，包含model、top1、top1_err、top5、top5_err、param_count、img_size、crop_pct、interpolation等字段（validate.py 的resultsOrderedDict）。仓库里已有一份真实结果样例 results-imagenet.csv，其表头为：

model,img_size,top1,top1_err,top5,top5_err,param_count,crop_pct,interpolation

打开你生成的val.csv，确认出现对应模型的一行记录、且 Top-1/Top-5 为合理数值，就说明这次验证与导出成功了。这些数值本身取决于模型与验证集，不是固定目标，不要与样例文件里的数字做绝对对比。

可选分支：批量验证多个模型

如果要在一次运行里评估一批模型并汇成一个 CSV，可用 bulk_runner.py 作为外层驱动，它会对每个模型在独立进程里调用validate.py。文档给出的示例（见 bulk_runner.py 顶部）用通配符筛选了模型列表：

python bulk_runner.py --model-list all --results-file val.csv --pretrained validate.py --data-dir /imagenet/validation/ --amp -b 512 --retry

• --model-list可换成vit*这类筛选表达式，只跑匹配的子集，避免一次跑全部模型。
• --retry启用 batch size 衰减与重试（显存吃紧时更稳，见 validate.py 的_try_run）。
• 该批量入口仍只做"验证 + 汇总 CSV"这一件事，不会顺带执行训练等其它任务，因此可以作为当前场景的可选路径。

限制与注意

• ImageNet-1k 的 5 万张验证集在训练时也被用来选模型，所以它不是真正的测试集（见 results/README.md）。需要衡量泛化时，仓库还提供了 ImageNetV2、ImageNet-Sketch 等额外测试集的 CSV（见 results/README.md 的 Datasets 一节）。
• 默认设备为cuda、默认 batch 256；显存不足时先调小-b，或加--retry让脚本自动降 batch 重试。
• 需要额外指标（precision / recall / F1）时加--metrics-avg {micro,macro,weighted}，该功能依赖 scikit-learn，未安装时脚本会给出pip install scikit-learn的提示并跳过（见 validate.py）。
• --results-file留空时不会生成 CSV，只有终端日志与 stdout 的 JSON；要落盘必须显式传该参数。

【免费下载链接】pytorch-image-modelsThe largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, and more项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-image-models