def test_save_and_load():
cl = SVMClassifier()
cl.load_model(MODEL_PATH)
classify_result = cl.classify(VIDEO_PATH, boost_mode=False)
result_file = "save.json"
reporter = Reporter()
reporter.add_extra("some_name", "some_value")
reporter.save(result_file, classify_result)
assert os.path.isfile(result_file)
classify_result_after = Reporter.load(result_file)
assert classify_result.get_length() == classify_result_after.get_length()
for i, j in zip(classify_result.data, classify_result_after.data):
assert i.to_dict() == j.to_dict()
assert isinstance(reporter.get_stable_stage_sample(classify_result),
np.ndarray)
# 可以直接进入 ClassifyResult 对象中查看
cr_dict = classify_result.to_dict()
print(cr_dict)
# contain_image (>=0.9.1)
# 你可以利用模板匹配，对最终结果与你的预期进行对比，从而得知阶段是否与你的期望相符
# 全自动化的校验可以在此基础上展开
# res = data_list[0].contain_image(image_path="path/to/your/template/path")
# print(res)
# 你可以得到类似这样的结果：
# {'target_point': [550, 915], 'target_sim': 0.9867244362831116, 'ok': True}
# --- draw ---
r = Reporter()
# 你可以将把一些自定义数据插入到报告中
r.add_extra("data_home", data_home)
# 在0.3.2及之后的版本，你可以在报告中加入一些自定义内容 （https://github.com/williamfzc/stagesepx/issues/13）
# r.add_extra('here is title', 'here is content')
r.draw(
classify_result,
report_path=os.path.join(data_home, "report.html"),
# 传入 unstable 可以将对应部分标记为 unstable
# 会影响最终的分析结果
unstable_ranges=unstable,
# 0.5.3新增的特性，多用于debug
# 传入cutter的切割结果，能够在图表末尾追加 SSIM、MSE、PSNR 的变化趋势图
cut_result=res,
)