InternImage 项目代码分类精度展示

是的，该项目中的'evaluate.py'文件提供了展示每个类别分类精度的函数。具体来说，'evaluate.py'文件中的'evaluate_model()'函数会输出每个类别的分类精度。以下是该函数的代码：

def evaluate_model(model, test_loader):
    model.eval()
    correct = [0 for _ in range(10)]
    total = [0 for _ in range(10)]
    with torch.no_grad():
        for data in test_loader:
            images, labels = data
            images, labels = images.to(device), labels.to(device)
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)
            c = (predicted == labels).squeeze()
            for i in range(len(labels)):
                label = labels[i]
                correct[label] += c[i].item()
                total[label] += 1

    for i in range(10):
        print('Accuracy of %5s : %2d %%' % (
            classes[i], 100 * correct[i] / total[i]))
    print('Overall accuracy: %2d %%' % (
        100 * sum(correct) / sum(total)))

该函数接受一个 PyTorch 模型和测试数据集的数据加载器作为参数。它使用'model.eval()'方法将模型设置为评估模式，并在测试数据集上进行前向推断以计算模型的分类精度。然后，它将每个类别的正确预测数和总样本数记录在'correct'和'total'列表中，并计算出每个类别的分类精度。最后，它输出每个类别的分类精度以及总体分类精度。