前面僅說了如何訓練自己的數據，其實運行Faster-RCNN-TF訓練後，也會經過驗證以及測試，最後產生一個結果，具體結果就是我們常說的AP值，當然對於多分類問題程序會求出mAP值。這裏主要是記錄一下在訓練後會出現的問題，然後能讓我們進行接下來的測試集測試以及demo的測試，同時通過測試，可以幫助我們更好的優化我們的模型，讓模型達到更好的效果。
一、測試
測試前準備
對於測試，我們在訓練完成後，Faster-RCNN-TF會將訓練好的模型保存在output文件夾下，具體如下，這裏是自己訓練的一個模型 ，前面迭代次數保存的模型，自己刪掉了，所以，就只看一下這個吧。
對於需要調整參數進行優化的我們來講，我們最好對於不同迭代次數產生的模型都進行測試，能夠讓我們很好的找到一個合適的迭代次數。
訓練完成後，會產生許多數據的計算值，並保存了下來，但是在單獨測試（單獨）時，我們就要將這些文件刪除了，以免會產生錯誤，如下圖
另外，在測試前，一定要進入自己數據集中的ImageSet/Main文件夾下，重新看一下自己的訓練、驗證、測試集編號和數量，確認沒有問題。
測試
我們可以根據tool文件夾裏的test_net.py文件能夠得到我們的訓練語句，如下圖
這裏，根據自己的情況進行修改，其中default中的值就是默認值，如果你在測試時，在終端輸入時對這部分不賦值，那麼就會按照default中默認值進行賦值。如果你想壓縮在終端時的賦值語句，就完全可以把這部分的default值全部按照自己要輸入的值修改好。
這裏是自己的一個測試語句
這裏，採用gpu，weights就是我們訓練好的模型位置。cfg就選擇你測試的方式，這裏使用的就是端到端的方式，即由輸入直接得到結果。networks就是你使用的網絡結構，當然，如果你有自己的網絡結構，可以使用自己的，只是自己需要重新修改定義。
測試的結果，自然是計算AP值，針對多分類任務，會求出mAP值，我們也一直使用它來衡量模型的效果。
有時，自己會使用alt_opt的方法，也就是交替優化，這種方法，可以先找出目標位置和大小，再經過第二部分網絡，判斷目標存在以及分類。這樣增加訓練的時長，但有助於我們修改以及理解算法。
二、問題
這部分產生的問題，主要還是沒有全部將代碼修改好，如果我們想通過訓練然後直接得到目標迭代次數的模型結果，我們就要將測試部分的代碼也修改好。
如在lib/networks/VGGnet_test.py，需要修改類別
另外在lib/fast_rcnn/config.py中修改超參數，這個根據自己目標情況修改。
最重要的問題，自己在訓練完成到測試時會產生一個問題，就是無法找到comp文件，文件名太長，就不寫了，直接截圖了
就是放在這個位置的txt文件，當然，前面的results/VOC2007/Main文件夾也不存在，最終在同學的指導幫助下，就是自己直接在訓練前或者測試前，建立results/VOC2007/Main文件夾，並建立以comp這個名字命名的txt文件，這樣就解決了出錯的問題。
但是，爲什麼這樣修改，這個問題一直困擾着自己，所以如果最近有同學也遇到相同的問題，可以一起交流一下！！
這些只是自己的總結，不足的地方希望閱讀者指正見諒！