In [ ]

一键获取数据

!cd work && bash onekey.sh
In [ ]

一键任务

!cd work && bash onetasks.sh
In [ ]

PPYOLOv2 PPYOLO PPYOLOTiny PicoDet YOLOv3

PPYOLOv2 [‘ResNet50_vd_dcn’, ‘ResNet101_vd_dcn’]

PPYOLO [‘ResNet50_vd_dcn’, ‘ResNet18_vd’,

‘MobileNetV3_large’, ‘MobileNetV3_small’]

PPYOLOTiny [‘MobileNetV3’]

PicoDet [‘ESNet_s’, ‘ESNet_m’, ‘ESNet_l’, ‘LCNet’,

‘MobileNetV3’, ‘ResNet18_vd’]

YOLOv3 [‘MobileNetV1’, ‘MobileNetV1_ssld’, ‘MobileNetV3’,

‘MobileNetV3_ssld’, ‘DarkNet53’, ‘ResNet50_vd_dcn’, ‘ResNet34’]

训练 --num_workers 2 “COCO” “IMAGENET”

!cd work && python3 det-train.py
–dataset ./dataset/road_fighter_car
–epochs 64
–batch_size 1
–learning_rate 0.01
–model PicoDet
–backbone MobileNetV3
–save_interval_epochs 4
–pretrain_weights “”
# --save_dir ./output/normal
# --lr_decay_epochs “32” --lr_decay_gamma 1
# --pretrain_weights ./output/best_model/model.pdparams “COCO” “IMAGENET”
In [ ]

裁剪 --model_dir ./output/best_model --save_dir ./output/prune

!cd work && python3 det-prune.py
–dataset ./dataset/road_fighter_car
–epochs 32
–batch_size 1 --learning_rate 0.001
–save_interval_epochs 4
–model_dir ./output/best_model
–save_dir ./output/prune
–pruned_flops 0.2
–pretrain_weights “”
In [ ]

在线量化 --model_dir ./output/best_model --save_dir ./output/quant

!cd work && python3 det-quant.py --dataset ./dataset/road_fighter_car
–epochs 32
–batch_size 1
–learning_rate 0.001
–save_interval_epochs 4
–model_dir ./output/best_model
–save_dir ./output/quant
# --lr_decay_epochs “32” --lr_decay_gamma 0.1
In [ ]

预测

!cd work && python3 det-infer.py --model_dir ./output/best_model
–predict_image ./dataset/road_fighter_car/JPEGImages/0360.jpg
In [ ]

查看预测结果图像

from PIL import Image
import matplotlib.pyplot as plt

image_path = “./work/result/visualize_0360.jpg”
img = Image.open(image_path)
plt.imshow(img)
plt.show()
plt.close()
In [40]

压缩模型

!cd work && tar -caf ./bak/PicoDet_MobileNetV3_64e_0.01.tar.gz ./output/best_model
In [5]

清除数据集

!rm -r work/dataset/*
In [6]

清除模型参数

!rm -r work/output/*
In [ ]

查看支持的模型

!cd work && python3 det-train.py --model_list
小熊飞桨练习册-07PaddleX寻找火箭车车
简介
小熊飞桨练习册-07PaddleX寻找火箭车车，是学习目标检测小项目，本项目开发和测试均在 Ubuntu 20.04 系统下进行。
项目最新代码查看主页：小熊飞桨练习册
百度飞桨 AI Studio 主页：小熊飞桨练习册-07PaddleX寻找火箭车车
Ubuntu 系统安装 CUDA 参考：Ubuntu 百度飞桨和 CUDA 的安装

FC游戏火箭车，游戏演示
文件说明
文件 说明
det-train.py 训练程序
det-prune.py 裁剪程序
det-quant.py 量化程序
onekey.sh 一键获取数据到 dataset 目录下
onetasks.sh 一键训练，量化脚本
get-data.sh 获取数据到 dataset 目录下
check-data.sh 检查 dataset 目录下的数据是否存在
mod/args.py 命令行参数解析
mod/pdxconfig.py PaddleX 配置
mod/config.py 配置
mod/utils.py 杂项
mod/report.py 结果报表
dataset 数据集目录
doc 文档目录
output 训练参数保存目录
result 预测结果保存目录
环境依赖
百度飞桨
PaddleX
AI Studio 环境，右侧 包管理 手动安装 PaddleX
数据集
数据集来源于自己收集标注的百度飞桨公共数据集：寻找火箭车车

数据集包含训练集，验证集，测试集，相应的 VOC 格式标注文件。

如何自己标注数据
使用标注工具：labelImg

中文界面，支持 VOC 格式，COCO 格式

打开图像目录

W 是标注

D 是下一张

A 是上一张

labelImg 演示

一键获取数据
运行脚本，包含以下步骤：获取数据，生成图像路径和标签的文本文件，检查数据。
详情查看 onekey.sh
如果运行在本地计算机，下载完数据，文件放到 dataset 目录下，在项目目录下运行下面脚本。

如果运行在百度 AI Studio 环境，查看 data 目录是否有数据，在项目目录下运行下面脚本。

bash onekey.sh
配置模块
可以查看修改 mod/pdxconfig.py 文件，有详细的说明

开始训练
运行 det-train.py 文件，查看命令行参数加 -h

示例
python3 det-train.py
–dataset ./dataset/road_fighter_car
–epochs 32
–batch_size 1
–learning_rate 0.01
–model PicoDet
–backbone MobileNetV3
–save_interval_epochs 4
–pretrain_weights “”
–save_dir ./output
参数
-h, --help show this help message and exit
–cpu 是否使用 cpu 计算，默认使用 CUDA
–num_workers 线程数量，默认 auto，为CPU核数的一半
–epochs 训练几轮，默认 4 轮
–batch_size 一批次数量，默认 16
–learning_rate 学习率，默认 0.025
–warmup_steps 默认优化器的warmup步数，学习率将在设定的步数内，从warmup_start_lr线性增长至设定的learning_rate
，默认为0。
–warmup_start_lr 默认优化器的warmup起始学习率，默认为0.0。
–lr_decay_epochs 默认优化器的学习率衰减轮数。默认为 30 60 90
–lr_decay_gamma 默认优化器的学习率衰减率。默认为0.1
–save_interval_epochs
模型保存间隔(单位: 迭代轮数)。默认为1
–save_dir 模型保存路径。默认为 ./output/
–dataset 数据集目录，默认 ./dataset/
–resume_checkpoint 恢复训练时指定上次训练保存的模型路径, 默认不会恢复训练
–train_list 训练集列表，默认 ‘–dataset’ 参数目录下的 train_list.txt
–eval_list 评估集列表，默认 ‘–dataset’ 参数目录下的 val_list.txt
–label_list 分类标签列表，默认 ‘–dataset’ 参数目录下的 labels.txt
–pretrain_weights 若指定为’.pdparams’文件时，从文件加载模型权重；若为字符串’IMAGENET’，则自动下载在ImageNet图片数据上
预训练的模型权重；若为字符串’COCO’，则自动下载在COCO数据集上预训练的模型权重；若为None，则不使用预训练模型。默认为
‘IMAGENET’。
–model PaddleX 模型名称
–model_list 输出 PaddleX 模型名称，默认不输出，选择后只输出信息，不会开启训练
–backbone 目标检测模型的 backbone 网络
查看支持的模型
运行命令
python3 det-train.py --model_list
结果
PaddleX 目标检测模型
[‘PPYOLOv2’, ‘PPYOLO’, ‘PPYOLOTiny’, ‘PicoDet’, ‘YOLOv3’, ‘FasterRCNN’]
PPYOLOv2 backbone 网络
[‘ResNet50_vd_dcn’, ‘ResNet101_vd_dcn’]
PPYOLO backbone 网络
[‘ResNet50_vd_dcn’, ‘ResNet18_vd’, ‘MobileNetV3_large’, ‘MobileNetV3_small’]
PPYOLOTiny backbone 网络
[‘MobileNetV3’]
PicoDet backbone 网络
[‘ESNet_s’, ‘ESNet_m’, ‘ESNet_l’, ‘LCNet’, ‘MobileNetV3’, ‘ResNet18_vd’]
YOLOv3 backbone 网络
[‘MobileNetV1’, ‘MobileNetV1_ssld’, ‘MobileNetV3’, ‘MobileNetV3_ssld’, ‘DarkNet53’, ‘ResNet50_vd_dcn’, ‘ResNet34’]
FasterRCNN backbone 网络
[‘ResNet50’, ‘ResNet50_vd’, ‘ResNet50_vd_ssld’, ‘ResNet34’, ‘ResNet34_vd’, ‘ResNet101’, ‘ResNet101_vd’, ‘HRNet_W18’]
模型裁剪
运行 det-prune.py 文件，查看命令行参数加 -h。
注意：有的模型不支持裁剪，比如 PicoDet。
参数 --pretrain_weights 必须为空 “”，裁剪后的精度大部分会降低。
参考文档：模型裁剪
示例
python3 det-prune.py
–dataset ./dataset/road_fighter_car
–epochs 32
–batch_size 1 --learning_rate 0.001
–save_interval_epochs 4
–model_dir ./output/best_model
–save_dir ./output/prune
–pruned_flops 0.2
–pretrain_weights “”
参数
-h, --help show this help message and exit
–cpu 是否使用 cpu 计算，默认使用 CUDA
–num_workers 线程数量，默认 auto，为CPU核数的一半
–epochs 训练几轮，默认 4 轮
–batch_size 一批次数量，默认 16
–learning_rate 学习率，默认 0.025
–warmup_steps 默认优化器的warmup步数，学习率将在设定的步数内，从warmup_start_lr线性增长至设定的learning_rate
，默认为0。
–warmup_start_lr 默认优化器的warmup起始学习率，默认为0.0。
–lr_decay_epochs 默认优化器的学习率衰减轮数。默认为 30 60 90
–lr_decay_gamma 默认优化器的学习率衰减率。默认为0.1
–save_interval_epochs
模型保存间隔(单位: 迭代轮数)。默认为1
–save_dir 模型保存路径。默认为 ./output/
–dataset 数据集目录，默认 ./dataset/
–resume_checkpoint 恢复训练时指定上次训练保存的模型路径, 默认不会恢复训练
–train_list 训练集列表，默认 ‘–dataset’ 参数目录下的 train_list.txt
–eval_list 评估集列表，默认 ‘–dataset’ 参数目录下的 val_list.txt
–label_list 分类标签列表，默认 ‘–dataset’ 参数目录下的 labels.txt
–model_dir 模型读取路径。默认为 ./output/best_model
–skip_analyze 是否跳过分析模型各层参数在不同的裁剪比例下的敏感度，默认不跳过
–pruned_flops 根据选择的FLOPs减小比例对模型进行裁剪。默认为 0.2
模型量化
运行 det-quant.py 文件，查看命令行参数加 -h
model_dir 是正常训练后的模型保存目录。
参考文档：模型量化
示例
python3 det-quant.py
–dataset ./dataset/road_fighter_car
–epochs 32
–batch_size 1
–learning_rate 0.001
–save_interval_epochs 4
–model_dir ./output/best_model
–save_dir ./output/quant
参数
-h, --help show this help message and exit
–cpu 是否使用 cpu 计算，默认使用 CUDA
–num_workers 线程数量，默认 auto，为CPU核数的一半
–epochs 训练几轮，默认 4 轮
–batch_size 一批次数量，默认 16
–learning_rate 学习率，默认 0.025
–warmup_steps 默认优化器的warmup步数，学习率将在设定的步数内，从warmup_start_lr线性增长至设定的learning_rate
，默认为0。
–warmup_start_lr 默认优化器的warmup起始学习率，默认为0.0。
–lr_decay_epochs 默认优化器的学习率衰减轮数。默认为 30 60 90
–lr_decay_gamma 默认优化器的学习率衰减率。默认为0.1
–save_interval_epochs
模型保存间隔(单位: 迭代轮数)。默认为1
–save_dir 模型保存路径。默认为 ./output/
–dataset 数据集目录，默认 ./dataset/
–resume_checkpoint 恢复训练时指定上次训练保存的模型路径, 默认不会恢复训练
–train_list 训练集列表，默认 ‘–dataset’ 参数目录下的 train_list.txt
–eval_list 评估集列表，默认 ‘–dataset’ 参数目录下的 val_list.txt
–label_list 分类标签列表，默认 ‘–dataset’ 参数目录下的 labels.txt
–model_dir 模型读取路径。默认为 ./output/best_model
预测模型
运行 det-infer.py 文件，查看命令行参数加 -h
show_result 本地计算机运行有效
示例
python3 det-infer.py --model_dir ./output/best_model
–predict_image ./dataset/road_fighter_car/JPEGImages/0297.jpg
参数
-h, --help show this help message and exit
–model_dir 读取模型的目录，默认 ‘./output/best_model’
–predict_image 预测的图像文件
–threshold score阈值，将Box置信度低于该阈值的框过滤，默认 0.5
–result_list 预测的结果列表文件，默认 ‘./result/result.txt’
–result_dir 预测结果可视化的保存目录，默认 ‘./result’
–show_result 显示预测结果的图像
结果演示
部署模型导出
–fixed_input_shape 来指定输入大小[w,h]或者是[n,c,w,h]

参考文档：部署模型导出
示例
paddlex --export_inference --model_dir=./output/best_model/ --save_dir=./output/inference_model --fixed_input_shape=[-1,3,608,608]
VisualDL 可视化分析工具
安装和使用说明参考：VisualDL
如果是 AI Studio 环境训练的把 output/vdl_log 目录下载下来，解压缩后放到本地项目目录下 output/vdl_log 目录
在项目目录下运行下面命令
然后根据提示的网址，打开浏览器访问提示的网址即可
visualdl --logdir ./output/vdl_log