evaluate.py

import argparse
import torch
import models
import os
from data import testsets

parser = argparse.ArgumentParser(description="Frame Interpolation Evaluation")

parser.add_argument("--gpu_id", type=int, default=0)
parser.add_argument("--net", type=str, default="student_STMFNet")
parser.add_argument("--dataset", type=str, default="Davis90_quintuplet")
parser.add_argument("--metrics", nargs="+", type=str, default=["PSNR", "SSIM"])
parser.add_argument("--checkpoint", type=str, default="./models/stmfnet_mini.pth")
parser.add_argument("--data_dir", type=str, default="D:\\stmfnet_data")
parser.add_argument("--out_dir", type=str, default="tests")

# model parameters
parser.add_argument("--featc", nargs="+", type=int, default=[32, 64, 96, 128])
parser.add_argument("--featnet", type=str, default="UMultiScaleResNext")
parser.add_argument("--featnorm", type=str, default="batch")
parser.add_argument("--kernel_size", type=int, default=5)
parser.add_argument("--dilation", type=int, default=1)
parser.add_argument(
    "--finetune_pwc", dest="finetune_pwc", default=False, action="store_true"
)


def main():
    args = parser.parse_args()

    torch.cuda.set_device(args.gpu_id)

    if not os.path.exists(args.out_dir):
        os.mkdir(args.out_dir)

    model = getattr(models, args.net)(args).cuda()

    print("Loading the model...")

    checkpoint = torch.load(args.checkpoint)
    model.load_state_dict(checkpoint["state_dict"])

    print("Testing on dataset: ", args.dataset)
    test_dir = os.path.join(args.out_dir, args.dataset)
    if args.dataset.split("_")[0] in ["VFITex", "Ucf101", "Davis90"]:
        db_folder = args.dataset.split("_")[0].lower()
    else:
        db_folder = args.dataset.lower()
    test_db = getattr(testsets, args.dataset)(os.path.join(args.data_dir, db_folder))
    if not os.path.exists(test_dir):
        os.mkdir(test_dir)
    test_db.eval(model, metrics=args.metrics, output_dir=test_dir)


if __name__ == "__main__":
    main()