cv_resnet18_ocr-detection测试集怎么用？test_list.txt配置指南
1. 理解OCR检测模型的测试流程
cv_resnet18_ocr-detection 是一个基于 ResNet-18 骨干网络构建的轻量级 OCR 文字检测模型，由开发者“科哥”完成适配与封装。该模型支持通过 WebUI 进行可视化操作，同时也允许用户进行自定义训练和测试。在实际使用中，test_list.txt文件是测试阶段的核心配置文件之一，它决定了哪些图片会被用于评估模型性能。
本文将重点讲解test_list.txt的作用、格式要求、如何正确配置，并结合项目整体结构说明测试集的实际用途。
2. test_list.txt 的作用与意义
2.1 什么是 test_list.txt？
test_list.txt是一个文本列表文件，用于指定测试数据集中每一张图片及其对应标注文件的路径。它是模型验证和性能评估的关键输入文件。
当执行训练微调后，系统会自动使用测试集对模型进行评估，输出准确率、召回率等指标。这个过程依赖于test_list.txt提供的数据索引。
2.2 测试集的作用
- 评估模型效果：判断微调后的模型是否优于原始模型
- 防止过拟合：确保模型不仅记住了训练数据，还能泛化到新样本
- 提供可视化对比：可在 WebUI 中查看测试图片的检测结果
2.3 为什么必须规范配置？
如果test_list.txt路径错误或格式不匹配，会导致：
- 模型无法加载测试数据
- 评估结果为空或报错
- 训练任务中断
因此，正确编写test_list.txt是保证模型可评估的前提。
3. test_list.txt 的标准格式详解
3.1 基本格式规则
每一行代表一条测试样本，包含两个字段，用空格分隔：
相对图片路径 相对标注文件路径例如：
test_images/3.jpg test_gts/3.txt test_images/4.jpg test_gts/4.txt注意：路径为相对于数据集根目录的相对路径，不要写绝对路径。
3.2 标注文件（.txt）内容格式
每个.txt文件记录图像中所有文字区域的信息，每行对应一个文本框，格式如下：
x1,y1,x2,y2,x3,y3,x4,y4,文本内容其中：
(x1,y1)到(x4,y4)是顺时针排列的四个顶点坐标- 文本内容可以为空（如 ICDAR 标准），也可填写实际文字
示例test_gts/3.txt内容：
100,50,200,50,200,80,100,80,欢迎光临 300,60,450,60,450,90,300,90,华航数码专营店3.3 完整目录结构参考
custom_data/ ├── test_list.txt ← 我们要配置的文件 ├── test_images/ ← 存放测试图片 │ └── 3.jpg └── test_gts/ ← 存放标注文件 └── 3.txt只有在这种结构下，test_list.txt才能被正确解析。
4. 如何创建和修改 test_list.txt
4.1 手动创建方法（适合少量数据）
打开任意文本编辑器（如 VS Code、Notepad++），逐行输入图片与标注路径对：
test_images/1.jpg test_gts/1.txt test_images/2.jpg test_gts/2.txt test_images/3.jpg test_gts/3.txt保存为 UTF-8 编码的纯文本文件，命名为test_list.txt，放入数据集根目录。
4.2 自动生成脚本（推荐用于大批量数据）
如果你有大量测试图片，建议使用 Python 脚本自动生成：
import os data_dir = "custom_data" image_dir = "test_images" label_dir = "test_gts" with open(os.path.join(data_dir, "test_list.txt"), "w", encoding="utf-8") as f: image_files = sorted([x for x in os.listdir(os.path.join(data_dir, image_dir)) if x.lower().endswith(('.jpg', '.png'))]) for img in image_files: name = os.path.splitext(img)[0] label_path = f"{label_dir}/{name}.txt" image_path = f"{image_dir}/{img}" if os.path.exists(os.path.join(data_dir, label_path)): f.write(f"{image_path} {label_path}\n") else: print(f"警告：未找到标注文件 {label_path}") print("test_list.txt 生成完成！")运行此脚本后，会在custom_data/下自动生成完整的test_list.txt。
4.3 检查文件编码与换行符
常见问题来源：
- 使用 Windows 记事本保存导致编码为 ANSI
- 换行符为
\r\n可能影响某些 Linux 环境读取
解决方案：
- 使用专业编辑器（VSCode、Sublime）保存为UTF-8 无 BOM编码
- 确保换行符为 Unix 风格
\n
5. 在 WebUI 中使用测试集进行评估
5.1 启动训练前准备
- 将你的测试集按规范组织好，放入服务器某个目录（如
/root/custom_data） - 确保
test_list.txt已生成并放置在根目录 - 图片与
.txt标注文件一一对应
5.2 配置训练参数时的注意事项
进入 WebUI 的「训练微调」Tab 页面：
| 参数 | 设置建议 |
|---|---|
| 训练数据目录 | 输入完整路径，如/root/custom_data |
| Batch Size | 若内存紧张，设为 4 或 8 |
| Epoch 数 | 初次尝试设为 5 |
| 学习率 | 默认 0.007 通常表现良好 |
点击“开始训练”后，系统会自动读取test_list.txt并在每个 epoch 结束后进行验证。
5.3 查看测试评估结果
训练完成后，在workdirs/输出目录中可找到以下内容：
workdirs/exp0/ ├── best_model.pdparams # 最佳权重 ├── latest_model.pdparams # 最终权重 ├── eval_results.txt # 包含 precision, recall, hmean └── log.txt # 详细训练日志eval_results.txt示例：
Class: Text Precision: 0.92 Recall: 0.89 Hmean: 0.905这些指标正是基于你在test_list.txt中提供的测试集计算得出。
6. 常见问题与排查技巧
6.1 问题一：找不到测试图片
现象：训练时报错File not found: test_images/xxx.jpg
原因分析：
test_list.txt中路径拼写错误- 实际文件名大小写不符（Linux 区分大小写）
- 图片未上传到指定位置
解决方法：
- 检查
test_list.txt每一行路径是否存在 - 使用
ls /root/custom_data/test_images确认文件名 - 统一命名格式（建议全小写 + 数字）
6.2 问题二：标注文件解析失败
现象：出现ValueError: invalid literal for int()错误
原因分析：
.txt文件中有非数字字符干扰坐标解析- 坐标之间用了空格而非逗号分隔
- 行尾有多余空格或特殊符号
修复建议：
- 确保每行格式严格为：
x1,y1,x2,y2,x3,y3,x4,y4,text - 不要在坐标间加空格
- 推荐使用脚本清洗数据
6.3 问题三：测试集未参与评估
现象：训练过程中没有打印 eval 指标
可能原因：
test_list.txt文件缺失- 路径中存在中文或特殊字符
- 标注文件内容为空
检查步骤：
- 确认
test_list.txt是否存在于数据集根目录 - 检查第一行路径能否真实访问
- 查看
workdirs/expX/log.txt是否有Load test dataset日志
7. 提升测试集质量的实用建议
7.1 数据多样性原则
一个好的测试集应覆盖多种场景：
- 清晰文档 vs 模糊截图
- 横向排版 vs 竖向文字
- 单行文本 vs 多行密集文本
- 白底黑字 vs 复杂背景
这样评估出的模型性能更具代表性。
7.2 数量建议
- 至少包含50 张以上测试图片
- 每类典型场景不少于 5~10 张
- 总文本框数量建议超过 500 个
太少则统计意义不足，太多则增加维护成本。
7.3 定期更新测试集
随着业务变化，原有测试集可能不再反映真实需求。建议：
- 每季度补充新的典型样本
- 移除已淘汰场景的旧数据
- 保持测试集“新鲜度”
8. 总结
8.1 关键要点回顾
test_list.txt是连接测试图片与标注文件的桥梁- 每行格式为：
图片路径 标注路径，路径为相对路径 - 必须与
test_images/和test_gts/配合使用 - 支持自动化脚本生成，避免手动出错
- 正确配置后，模型训练才能输出可靠的评估指标
8.2 实践建议
- 新建数据集时先用 2~3 张图做测试，确认流程通畅
- 使用脚本统一管理
train_list.txt和test_list.txt生成 - 训练前务必检查路径是否存在、文件是否可读
- 保留一份干净的测试集用于最终模型比对
掌握test_list.txt的配置方法，意味着你已经具备了独立完成 OCR 模型微调与评估的能力。无论是优化证件识别、提升截图解析精度，还是应对复杂背景文字提取，这套机制都能为你提供坚实的技术支撑。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
