一、环境部署
1.1安装PaddlePaddle
安装地址如下： https://www.paddlepaddle.org.cn/install/quick
1.2 安装COCO-API
pip install Cython
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
1.3 下载PaddleDetection
git clone https://github.com/PaddlePaddle/PaddleDetection.git
1.4 安装依赖库
!pip install -r requirements.txt
1.5 测试
!python ppdet/modeling/tests/test_architectures.py
这一步可能出现错误，主要原因是：提示发现缺少“ppdet”这个模块，ppdet（其实就是paddle detection的一个缩写），但是我找到 ppdet/modeling/tests/test_architectures.py这个文件，然后添加红框所示的代码
注意这些代码要写在ppdet的前面
二、数据准备
我的标注数据，是在BML中打标的，然后通过导出了COCO格式的标注数据，
你也可以通过这个工具去打标，或者用lableImg这个工具去打标，工具的git地址为：
git clone http://github.com/tzutalin/labelImg
git下来之后直接run就可以用了，或者打包成exe,可以参考： https://zhuanlan.zhihu.com/p/97807042
我的数据格式如下：
三、训练
如图下图就是我们选取的深度学习的配置文件，我参照yolov3_darknet53_original_270e_coco.yml修改了tt_yolov3_darknet53_original_270e_coco.yml
这些参数可以根据自己的数据情况进行设计。
如设置：最大迭代步数：max_iters
预训练模型的来源：pretrain_weights
数据路径：dataset_dir
Batch_size的大小：batch_size
数据集类别：num_classes
别忘了配置这里面这些文件
_BASE_: [
'../datasets/tt_coco_detection.yml',
'../runtime.yml',
'_base_/optimizer_270e.yml',
'_base_/yolov3_darknet53.yml',
'_base_/yolov3_reader.yml',
]
然后就可以训练了：
!python -u tools/train.py -c configs/ppyolo/tt_ppyolo_r50vd_dcn_1x_minicoco.yml --use_vdl=True --vdl_log_dir=tb_fruit_dir/scalar
关于训练命令的参数：
-c configs/yolov3_mobilenet_v1_fruit.yml 用来指定配置文件
–use_tb 是否使用tb-paddle记录数据，进而在TensorBoard中显示，默认值是False
–tb_log_dir 指定 tb-paddle 记录数据的存储路径
–eval 是否边训练边测试
关于–eval参数的使用：在训练中交替执行评估, 评估在每个snapshot_iter时开始。每次评估后还会评出最佳mAP模型保存到best_model文件夹下，建议训练时候使用该参数，可以使得完成训练后快速找到最好的模型。
四、训练过程可视化
训练期间可以通过tensorboard实时观察loss和精度值，启动命令如下：
tensorboard --logdir tb_fruit_dir/scalar
五、模型预测
你所训练的模型结果参数都在output文件中
PaddleDetection给出的模型预测代码是infer.py。该文件在项目文件夹tools里面。
!python -u tools/infer.py -c configs/yolov3/tt_yolov3_darknet53_original_270e_coco.yml -o weights=output/tt_yolov3_darknet53_original_270e_coco/model_final.pdparams --infer_img=demo/test/14862774.jpg --output_dir=infer_output
预测结果如下：
参考：https://zhuanlan.zhihu.com/p/340717675
版权声明：本文为CSDN博主「奋斗的沐沐」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_39474168/article/details/122579981
暂无评论