1. PPYOLO模型简介

PP-YOLO是PaddleDetection优化和改进的YOLOv3的模型，其精度(COCO数据集mAP)和推理速度均优于YOLOv4模型。PPYOLO可以在均值平均精度（42.5%mAP）和检测速率（72.9FPS）之间取得更好地平衡，超过了目前最先进的检测器Efficient和YOLOv4，但是模型较大，更适合于服务端的部署。

2. 环境搭建

2.1 Paddle框架安装

PPYOLO需要使用百度paddle框架，我们打开飞桨官网：https://www.paddlepaddle.org.cn/ ，在下方的快速安装选择适合自己版本的paddlepaddle，

使用指令：

`python -m pip install paddlepaddle-gpu==2.1.0.post101 -f https://paddlepaddle.org.cn/whl/mkl/stable.html` 

安装GPU版本的paddle，paddle框架安装好之后进行入python界面，输入：

import paddle.fluid as fluid 

fluid.install_check.run_check()

查看paddle是否可以正常使用。

2.2 PaddleDetection依赖库安装

paddle框架安装好之后进行入从github上下载PaddleDetection并解压到目录，下载地址：https://github.com/PaddlePaddle/PaddleDetection 将paddledetection根目录添加到环境变量。

根据requirement.txt文件安装依赖库，依赖库安装结束后使用命令：

python ppdet/modeling/tests/test_architectures.py

测试是否可用，结果为ok可以正常使用。

3. 训练自己的数据集

3.1 准备数据集

PaddleDetection支持coco和voc两种格式的数据集，coco数据集的默认位置为dataset/coco目录下，数据集格式如下所示。

PaddleDetection包含了多种模型，PPYOLO、YOLOv3、faster_rcnn和mask_rcnn等模型配置文件存放在configs目录下。

3.2 修改配置文件

数据集准备好之后修改配置文件，打开configs/ppyolo文件夹，可以看到文件内包含多种模型

这里我们使用PPYOLO轻量级模型PP-YOLO_MobileNetV3_small进行训练，打开ppyolo_mbv3_small.yml可以看到它还包含五个配置文件，需要对这些文件参数进行修改。

打开coco_detection.yml修改类别数量num_classes、图片路径imge_dir和标签路径anno_dir，其中num_classes的值不包含背景类。

打开optimizer_1x.yml修改epoch次数，在学习率learningRate下修改基础学习率base_lr为0.00125，默认值为8卡学习率0.01，学习率计算公式为：base_lr=0.01/8*GPU数量。

打开ppyolo_mbv3_small_coco.yml分别在TrainReader、EvalReader和TestReader下修改batch_size、num_workers和num_classes的值

snapshot_epoch为每训练多少次生成一个权重文件，这里我们修改为2

至此配置文件就修改完毕了，注意配置文件中不能添加中文注释，否则会报错!

3.3 训练

参数配置完成后，使用命令：

python tools/train.py -c configs/ppyolo/ppyolo_mbv3_small_coco.yml --eval

开始训练，训练结果会保存在output/ppyolo_mbv3_small_coco文件夹内。

4. 推理测试

将要进行测试的图片放在demo文件夹内，使用命令：

python tools/infer.py -c configs/ppyolo/ppyolo_mbv3_small_coco.yml -o weights=output/ppyolo_mbv3_small_coco/best_model.pdparams --infer_dir=demo

进行推理测试，测试结果存放在output文件夹内。

版权声明：本文为CSDN博主「初级炼丹师666」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_40231851/article/details/117192800