PaddleDetection

参考链接： https://paddledetection.readthedocs.io/tutorials/index.html

一、fruit 检测训练

1. 数据准备

python dataset/fruit/download_fruit.py

2. 开始训练

训练使用 yolov3_mobilenet_v1 基于 COCO 数据集训练好的模型进行 finetune

python -u tools/train.py -c configs/yolov3_mobilenet_v1_fruit.yml --eval

如果想通过 VisualDL 实时观察 loss 和精度值，启动命令添加 --use_vdl=True，以及通过 --vdl_log_dir 设置日志保存路径，但注意 VisualDL 需 Python>=3.5：

python -u tools/train.py \
       -c configs/yolov3_mobilenet_v1_fruit.yml \
       --use_vdl=True \
       --vdl_log_dir=vdl_fruit_dir/scalar \
       --eval

通过 visualdl 命令实时查看变化曲线：

visualdl --logdir vdl_fruit_dir/scalar/ --host <host_IP> --port <port_num>

3. 评估预测

评估命令：

python -u tools/eval.py -c configs/yolov3_mobilenet_v1_fruit.yml

预测命令：

python -u tools/infer.py \
       -c configs/yolov3_mobilenet_v1_fruit.yml \
       -o weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_mobilenet_v1_fruit.tar \
       --infer_img=demo/orange_71.jpg

二、训练自定义的数据集

1. 准备数据

方式一： 将数据集转换为 COCO 数据集

python ./ppdet/data/tools/x2coco.py \
       --dataset_type labelme \
       --json_input_dir ./labelme_annos/ \
       --image_input_dir ./labelme_imgs/ \
       --output_dir ./cocome/ \
       --train_proportion 0.8 \
       --val_proportion 0.2 \
       --test_proportion 0.0 \

方式二： 将数据集转换为 VOC 格式

VOC数据集所必须的文件内容如下所示： 数据集根目录需有 VOCdevkit/VOC2007 或 VOCdevkit/VOC2012 文件夹， 该文件夹中需有 Annotations,JPEGImages 和 ImageSets/Main 三个子目录， Annotations 存放图片标注的 xml 文件， JPEGImages 存放数据集图片， ImageSets/Main 存放训练 trainval.txt 和测试 test.txt 列表。

VOCdevkit
├──VOC2007(或VOC2012)
│   ├── Annotations
│       ├── xxx.xml
│   ├── JPEGImages
│       ├── xxx.jpg
│   ├── ImageSets
│       ├── Main
│           ├── trainval.txt
│           ├── test.txt

执行命令：

python dataset/voc/create_list.py -d path/to/dataset

2. 选择模型

根据使用场景不同选择合适的模型

3. 修改参数配置

选择好模型后，需要在 configs 目录中找到对应的配置文件，为了适配在自定义数据集上训练，需要对参数配置做一些修改：

• 数据路径配置： 在yaml配置文件中，依据准备好的路径，配置TrainReader、EvalReader和TestReader的路径。

COCO数据集

dataset:
   !COCODataSet
   image_dir: val2017           # 图像数据基于数据集根目录的相对路径
   anno_path: annotations/instances_val2017.json  # 标注文件基于数据集根目录的相对路径
   dataset_dir: dataset/coco    # 数据集根目录
   with_background: true        # 背景是否作为一类标签，默认为true。

VOC数据集

dataset:
   !VOCDataSet
   anno_path: trainval.txt      # 训练集列表文件基于数据集根目录的相对路径
   dataset_dir: dataset/voc     # 数据集根目录
   use_default_label: true      # 是否使用默认标签，默认为true。
   with_background: true        # 背景是否作为一类标签，默认为true。

说明： 如果使用自己的数据集进行训练，需要将 use_default_label 设为 false， 并在数据集根目录中修改 label_list.txt 文件，添加自己的类别名，其中行号对应类别号。

• 类别数修改: 如果自己的数据集类别数和 COCO/VOC 的类别数不同， 需修改yaml配置文件中类别数，num_classes: XX。 注意：如果 dataset 中设置 with_background: true，那么 num_classes 数必须是真实类别数+1（背景也算作 1 类）

• 根据需要修改 LearningRate 相关参数: 如果 GPU 卡数变化，依据 lr，batch-size 关系调整 lr: 学习率调整策略 自己数据总数样本数和 COCO 不同，依据 batch_size， 总共的样本数，换算总迭代次数 max_iters，以及 LearningRate 中的 milestones（学习率变化界限）。

• 预训练模型配置：通过在 yaml 配置文件中的 pretrain_weights: path/to/weights 参数可以配置路径，可以是链接或权重文件路径。 可直接沿用配置文件中给出的在 ImageNet 数据集上的预训练模型。 同时支持训练在 COCO 或 Obj365 数据集上的模型权重作为预训练模型。

4. 开始训练与部署

• 参数配置完成后，就可以开始训练模型了；
• 训练测试完成后，根据需要可以进行模型部署： 首先需要导出可预测的模型，可参考导出模型教程；导出模型后就可以进行C++预测部署或者python端预测部署。