1. 安装
1.1 conda 安装 paddlepaddle
conda create -n paddle python=3.7 # 创建python环境
conda activate paddle # 进入环境
python3 -c "import platform;print(platform.architecture()[0]);print(platform.machine())" # 输出x86_64。确认Python和pip是64bit，并且处理器架构是x86_64，目前PaddlePaddle不支持arm64架构。飞桨官网 选择合适的安装版本安装
conda install paddlepaddle-gpu==2.1.3 cudatoolkit=11.2 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge网络原因 cudatoolkit 经常下载出错，可以去网址（可能需要科学手段） https://conda.anaconda.org/conda-forge/linux-64/找到对应版本，下载到本地，然后安装。
conda install --use-local /path/to/cudatoolkit-11.2.2-he111cf0_8.tar.bz2安装环境验证
使用python进入python解释器，
import paddle.fluid
paddle.fluid.install_check.run_check()如果出现“Your Paddle Fluid is installed succesfully!”，说明您已成功安装。
如果希望在多卡环境下使用PaddleDetection，请首先安装NCCL 2。NCCL是Nvidia Collective multi-GPU Communication Library的简称，它是一个实现多GPU的collective communication通信（all-gather, reduce, broadcast）库，Nvidia做了很多优化。
conda 安装 nccl :
conda install -c conda-forge nccl
或者
conda install -c conda-forge/label/cf202003 nccl1.2 安装 PaddleDetection
PaddleDetection是百度基于paddlepaddle开发的目标检测开发套件，提供了从数据准备、模型训练、模型评估、模型导出到模型部署的全流程。
# 克隆PaddleDetection仓库
cd <path/to/clone/PaddleDetection>
git clone https://github.com/PaddlePaddle/PaddleDetection.git
# 安装其他依赖
pip install -r requirements.txt
# 编译安装paddledet
cd PaddleDetection
python setup.py install报错 ：No module named Cython
解决方法：pip install Cython
确保安装成功：
python ppdet/modeling/tests/test_architectures.py测试通过后会提示信息如下：
----------------------------------------------------------------------
Ran 7 tests in 1.587s
OK接下来快速体验目标检测效果
# 在GPU上预测一张图片
export CUDA_VISIBLE_DEVICES=0
python tools/infer.py -c configs/ppyolo/ppyolo_r50vd_dcn_1x_coco.yml -o use_gpu=true weights=https://paddledet.bj.bcebos.com/models/ppyolo_r50vd_dcn_1x_coco.pdparams --infer_img=demo/000000014439.jpg会在output文件夹下生成一个画有预测结果的同名图像。
2. PP-PicoDet 训练自己的数据集（COCO）
2.1 修改配置文件
在PaddleDetection 2.0后续版本，采用了模块解耦设计，用户可以组合配置模块实现检测器，并可自由修改覆盖各模块配置。
1 修改主配置文件 configs/picodet/picodet_s_416_coco.yml。
_BASE_: [
'../datasets/coco_detection.yml', # 设置数据集
'../runtime.yml', # 公共运行参数，否使用GPU、每多少个epoch存储checkpoint等
'_base_/picodet_esnet.yml', # 设置网络结构
'_base_/optimizer_300e.yml', # 设置优化器 epoch 学习率等
'_base_/picodet_416_reader.yml', # 设置加载数据尺寸、batch_size等
]
weights: output/picodet_s_416_coco/model_final # 训练模型保存路径
...注意 ：各模块配置文件的配置参数可以直接copy到主配置文件中进行修改。在主配置文件中重写的配置参数会覆盖掉加载的配置参数。
为方便起见下面2-6条的配置文件也可以不在各文件中分别修改，而是在主配置文件中集中覆写。
2 修改数据集配置文件 configs/detasets/coco_detection.yml。建议不要直接修改，而是拷贝到主配置文件直接修改。数据集路径可以写绝对路径，也可以写相对路径。
...
num_classes: 80 # 改为自己的检测类别数
TrainDataset:
!COCODataSet
image_dir: train2017
anno_path: annotations/instances_train2017.json
dataset_dir: dataset/coco # 建议写绝对路径
...3 根据自己的需求，修改（或覆写）数据读取配置文件configs/picodet/_base_/picodet_416_reader.yml
worker_num: 6
TrainReader:
...
- BatchRandomResize: {target_size: [352, 384, 416, 448, 480], random_size: True, random_interp: True, keep_ratio: False} # 多尺度训练参数，间隔 32
...
batch_size: 80 # 根据GPU卡数调整
...
EvalReader:
...
batch_size: 8 # 验证默认batch size 为 8
...4 覆写 configs/picodet/_base_/optimizer_300e.yml
默认学习率是适配多GPU训练(8x GPU)，若使用单GPU训练，须对应调整学习率（例如，除以8）。
epoch: 300
LearningRate:
base_lr: 0.05 # 单卡建议学习率
...5 覆写 configs/runtime.yml。
use_gpu: true
log_iter: 20
save_dir: output
snapshot_epoch: 5 # 每隔 5个epoch eval 一次
print_flops: false6 根据需要修改模型文件_base_/picodet_esnet.yml。
2.2 训练
PaddleDetection提供了单卡/多卡训练模式，满足用户多种训练需求
GPU单卡训练
export CUDA_VISIBLE_DEVICES=0 #windows和Mac下不需要执行该命令
python tools/train.py -c configs/picodet/picodet_s_416_coco.ymlGPU多卡训练
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 #指定可见的gpu。windows和Mac下不需要执行该命令
python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 tools/train.py -c configs/picodet/picodet_s_416_coco.yml建添加 --eval ，边训练，边评估。--use_vdl=true ，记录训练过程中状态。--vdl_log_dir=output/vdl_dir/scalar ，修改log保存地址
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 #windows和Mac下不需要执行该命令
python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 tools/train.py -c configs/picodet/picodet_s_416_coco.yml --eval --use_vdl=true在训练中交替执行评估, 评估在每个epoch训练结束后开始。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，建议调整configs/runtime.yml 文件中的 snapshot_epoch配置以减少评估次数，或训练完成后再进行评估。
PaddleDetection集成了VisualDL可视化工具，当打开use_vdl开关后，记录的数据包括：loss变化趋势，mAP变化趋势。
使用如下命令启动VisualDL查看日志
下述命令会在127.0.0.1上启动一个服务，支持通过前端web页面查看，可以通过–host这个参数指定实际ip地址visualdl --logdir output/vdl_dir/scalar/
测试
测试
python tools/eval.py -c configs/picodet/picodet_s_416_coco.yml \
-o weights=output/picodet_s_416_coco/picodet_s_416_coco.pdparams --classwise--classwise显示各类别的 AP50:95。如果要查看各类别的AP50，可到ppdet/metrics/coco_utils.py141行，将源码
precision = precisions[:, :, idx, 0, -1] # AP50:95
#改为
precision =precisions[0:1, :, idx, 0, -1] # AP50 推理
export CUDA_VISIBLE_DEVICES=0
python tools/infer.py -c configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.yml \
--infer_img=demo/000000570688.jpg \
--output_dir=infer_output/ \
--draw_threshold=0.5 \
-o weights=output/picodet_s_416_coco/picodet_s_416_coco.pdparams \
--use_vdl=Ture也可以将--infer_img替换为--infer_dir=demo,批量推理demo文件夹中的图片 。
2.3 导出onnx模型
先导出静态图模型
cd PaddleDetection
python tools/export_model.py -c configs/picodet/picodet_s_320_coco.yml -o weights=output/picodet_s_416_coco/picodet_s_416_coco.pdparams --output_dir=output/picodet_s_416_coco/inference_model导出 onnx 模型
安装
pip install onnx
pip install paddle2onnx导出
paddle2onnx --model_dir output/picodet_s_416_coco/output_inference/picodet_s_416_coco/ \
--model_filename model.pdmodel \
--params_filename model.pdiparams \
--opset_version 11 \
--save_file picodet_s_416_coco.onnx2.4 量化
QAT，量化训练
安装paddleslim，注意版本与paddlepaddle匹配.pip install paddleslim==2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
量化训练
python tools/train.py -c configs/picodet/picodet_s_416_coco.yml --slim_config configs/slim/quant/picodet_s_quant.yml --eval动转静导出模型
python tools/export_model.py -c configs/picodet/picodet_s_416_coco.yml --slim_config configs/slim/quant/picodet_s_quant.yml -o weights=output/picodet_s_quant/model_finalPost quant
后量化，即训练完了再量化
python tools/post_quant.py -c configs/picodet/picodet_s_320_coco.yml \
--slim_config configs/slim/post_quant/picodet_s_ptq.yml注意：目前后量化掉点严重（21/11/22）
评论（0）
您还未登录，请登录后发表或查看评论