注: 本博客参考https://github.com/PaddlePaddle，仅为学习交流使用，如有侵权，请联系删除！

入门使用

关于配置运行环境，请参考安装指南

训练/评估/预测

PaddleDetection提供了训练/评估/预测，支持通过不同可选参数实现特定功能

# 设置PYTHONPATH路径
export PYTHONPATH=$PYTHONPATH:.
# GPU训练 支持单卡，多卡训练，通过CUDA_VISIBLE_DEVICES指定卡号
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
python tools/train.py -c configs/faster_rcnn_r50_1x.yml
# GPU评估
export CUDA_VISIBLE_DEVICES=0
python tools/eval.py -c configs/faster_rcnn_r50_1x.yml
# 预测
python tools/infer.py -c configs/faster_rcnn_r50_1x.yml --infer_img=demo/000000570688.jpg

可选参数列表

以下列表可以通过–help查看

使用示例

模型训练

• 边训练边测试

  export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
  python -u tools/train.py -c configs/faster_rcnn_r50_1x.yml --eval
  

  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。

  如果验证集很大，测试将会比较耗时，建议减少评估次数，或训练完再进行评估。

• Fine-tune其他任务

  使用预训练模型fine-tune其他任务时，可以直接加载预训练模型，形状不匹配的参数将自动忽略，例如：

  export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
  python -u tools/train.py -c configs/faster_rcnn_r50_1x.yml 
                         -o pretrain_weights=output/faster_rcnn_r50_1x/model_final 
  

  也可以显示的指定忽略参数名，可采用如下两种方式：

  1. 在YAML配置文件中设置finetune_exclude_pretrained_params
  2. 在命令行中添加-o finetune_exclude_pretrained_params对预训练模型进行选择性加载。

  export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
  python -u tools/train.py -c configs/faster_rcnn_r50_1x.yml 
                         -o pretrain_weights=output/faster_rcnn_r50_1x/model_final 
                            finetune_exclude_pretrained_params=['cls_score','bbox_pred']
  

  详细说明请参考迁移学习文档

• 使用Paddle OP组建的YOLOv3损失函数训练YOLOv3

  为了便于用户重新设计修改YOLOv3的损失函数，我们也提供了不使用fluid.layer.yolov3_loss接口而是在python代码中使用Paddle OP的方式组建YOLOv3损失函数,
  可通过如下命令用Paddle OP组建YOLOv3损失函数版本的YOLOv3模型：

  export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
  python -u tools/train.py -c configs/yolov3_darknet.yml 
                           -o use_fine_grained_loss=true
  

  Paddle OP组建YOLOv3损失函数代码位于ppdet/modeling/losses/yolo_loss.py

提示:

• CUDA_VISIBLE_DEVICES参数可以指定不同的GPU。例如: export CUDA_VISIBLE_DEVICES=0,1,2,3. GPU计算规则可以参考 FAQ
• 若本地未找到数据集，将自动下载数据集并保存在~/.cache/paddle/dataset中。
• 预训练模型自动下载并保存在〜/.cache/paddle/weights中。
• 模型checkpoints默认保存在output中，可通过修改配置文件中save_dir进行配置。

混合精度训练

通过设置 --fp16 命令行选项可以启用混合精度训练。目前混合精度训练已经在Faster-FPN, Mask-FPN 及 Yolov3 上进行验证，几乎没有精度损失（小于0.2 mAP)。

建议使用多进程方式来进一步加速混合精度训练。示例如下。

python -m paddle.distributed.launch --selected_gpus 0,1,2,3,4,5,6,7 tools/train.py --fp16 -c configs/faster_rcnn_r50_fpn_1x.yml

如果训练过程中loss出现NaN，请尝试调节–loss_scale选项数值，细节请参看混合精度训练相关的Nvidia文档。

另外，请注意将配置文件中的 norm_type 由 affine_channel改为 bn。

模型评估

• 指定权重和数据集路径

  export CUDA_VISIBLE_DEVICES=0
  python -u tools/eval.py -c configs/faster_rcnn_r50_1x.yml 
                        -o weights=https://paddlemodels.bj.bcebos.com/object_detection/faster_rcnn_r50_1x.tar 
  

  评估模型可以为本地路径，例如output/faster_rcnn_r50_1x/model_final, 也可以是MODEL_ZOO中给出的模型链接。

• 通过json文件评估

  export CUDA_VISIBLE_DEVICES=0
  python -u tools/eval.py -c configs/faster_rcnn_r50_1x.yml 
             --json_eval 
             --output_eval evaluation/
  

  json文件必须命名为bbox.json或者mask.json，放在evaluation/目录下。

提示:

• R-CNN和SSD模型目前暂不支持多GPU评估，将在后续版本支持

模型预测

• 设置输出路径 && 设置预测阈值

  export CUDA_VISIBLE_DEVICES=0
  python -u tools/infer.py -c configs/faster_rcnn_r50_1x.yml 
                      --infer_img=demo/000000570688.jpg 
                      --output_dir=infer_output/ 
                      --draw_threshold=0.5 
                      -o weights=output/faster_rcnn_r50_1x/model_final 
  

  –draw_threshold是个可选参数. 根据 NMS 的计算，不同阈值会产生不同的结果。如果用户需要对自定义路径的模型进行预测，可以设置-o weights指定模型路径。

  此预测过程依赖PaddleDetection源码，如果您想使用C++进行服务器端预测、或在移动端预测、或使用PaddleServing部署、或独立于PaddleDetection源码使用Python预测可以参考模型导出教程和推理部署。

最后

以上就是悲凉帅哥为你收集整理的PaddleDetection训练/评估/预测流程入门使用的全部内容，希望文章能够帮你解决PaddleDetection训练/评估/预测流程入门使用所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。