码字不易，如果各位看官感觉该文章对你有所帮助，麻烦点个关注，如果有任何问题，请留言交流。如需转载，请注明出处，谢谢。
文章链接：【深度学习】训练模型结果同时显示，模型结果对比_莫克_Cheney的博客-CSDN博客
目录
目录
一、问题描述
二、解决方案
三、实验结果
四、总结
五、废话（凑字数）
当我们训练完模型时，常常会选择几个模型，跑完测试代码后，进行结果的对比，但是，类似与beyond compare工具，对比的是二进制的不同，而我们只需要用眼睛观察哪个模型检测的结果好，就可以了。
而测试结果的文件夹结构一致，只是不同模型跑出来的结果。以下图显示的就是我使用不同的深度学习模型，跑出来的结果，每个文件夹的结构都一样，现在想要同时对这四个文件夹的，同一张图进行显示，显示到同一个窗口中，好对比哪个模型的结果最好。
我们需要同时打开四个文件夹的图像，放在一个窗口里，这样方便我们观察结果。
话不多说，贴代码：
import numpy as np
import cv2
import os
def get_imlist(path):
# return [os.path.join(path,f) for f in os.listdir(path) if f.endswith('.png')]
pathend = []
for root,dirs,files in os.walk(path):
for file in files:
path = os.path.join(root,file)
if path.endswith('.png'):
pathend.append(path)
return pathend
def main():
basicdir = "/home/cheney/Project/lane/data/result_20230220/"
imgforder1 = "results_model420"
imgforder2 = "results_model727"
imgforder3 = "results_model1248"
imgforder4 = "results_model1499"
imlist = get_imlist(basicdir + imgforder1)
for imgfile in imlist:
forderstrings = imgfile.split('/')
imgpath1 =imgfile
imgpath2 = basicdir + imgforder2 + '/'+ forderstrings[8]+ '/'+forderstrings[9]+ '/'+forderstrings[10]
imgpath3 = basicdir + imgforder3 + '/'+ forderstrings[8]+ '/'+forderstrings[9]+ '/'+forderstrings[10]
imgpath4 = basicdir + imgforder4 + '/'+ forderstrings[8]+ '/'+forderstrings[9]+ '/'+forderstrings[10]
frame1= cv2.imread(imgpath1)
frame2= cv2.imread(imgpath2)
frame3= cv2.imread(imgpath3)
frame4= cv2.imread(imgpath4)
imghstack1 = np.hstack((frame1, frame2))
imghstack2 = np.hstack((frame3, frame4))
imgfinal = np.vstack((imghstack1, imghstack2))
irow = 30
icol = 30
imgsize = 384
cv2.putText(imgfinal,imgforder1,(icol,irow),cv2.FONT_ITALIC,1,(0,255,255),1)
cv2.putText(imgfinal,imgforder2,(icol + imgsize,irow),cv2.FONT_ITALIC,1,(0,255,255),1)
cv2.putText(imgfinal,imgforder3,(icol ,irow+ imgsize),cv2.FONT_ITALIC,1,(0,255,255),1)
cv2.putText(imgfinal,imgforder4,(icol +imgsize,irow+imgsize),cv2.FONT_ITALIC,1,(0,255,255),1)
cv2.imshow('420*727*1248*1499',imgfinal)
cv2.waitKey(0)
if __name__ == '__main__':
main()结果如下：
这样同样文件夹结构的结果就能同时显示到一张图上了，非常的ok，非常的方便，选择哪个模型，哪个模型检测的效果好，一目了然！！
深度学习（Deep Learning，DL）是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。
深度学习是从机器学习中的人工神经网络发展出来的新领域。早期所谓的“深度”是指超过一层的神经网络。但随着深度学习的快速发展，其内涵已经超出了传统的多层神经网络，甚至机器学习的范畴，逐渐朝着人工智能的方向快速发展。
假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为： I =>S1=>S2=>…..=>Sn => O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。现在回到我们的主题Deep Learning，我们需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设我们设计了一个系统S（有n层），我们通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。
对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。
另外，前面是假设输出严格地等于输入，这个限制太严格，我们可以略微地放松这个限制，例如我们只要使得输入与输出的差别尽可能地小即可，这个放松会导致另外一类不同的Deep Learning方法。上述就是Deep Learning的基本思想。