工训备赛日志（一）——利用PaddleX与Paddle inference在windows环境下实现简单垃圾分类

工训备赛日志（一）——利用PaddleX与Paddle inference在windows环境下实现简单垃圾分类

此节分为以下几个部分

一、数据集准备

二、利用PaddleX-gui训练模型

三、利用Paddle inference部署

四、结果测试

一、数据集准备

笔者准备了电池、瓶子、易拉罐、陶瓷、香烟、水果、水果皮、蔬菜、蔬菜皮共计九种类型的垃圾图片，并将其放在以各自名字命名的文件夹下。
数据集下载：https://download.csdn.net/download/lurenjia1256/74085906

Mydate
--Battery
--Bottle
--Cans
--Ceramics
--Cigarette
--Fruit
--FruitSkin
--Vegetable
--VegetableSkin

二、利用PaddleX-gui训练模型

新建数据集，导入之前建立好的数据包，确定划分比例（笔者为7：2：1）

新建项目，选择垃圾分类数据集，配置参数。

配置好参数后启动训练。（如果电脑配置略低，可以调低批大小，以防训练失败。）

训练之后，我们导出模型，

之后我们打开文件夹中的inference_model，将里面的model.pdiparams,model.pdmodel文件取出。

至此，训练部分结束。

三、利用Paddle inference部署

#导入库
import cv2
import numpy as np
from paddle.inference import Config
from paddle.inference import create_predictor

#图像预处理函数
def resize_short(img, target_size):
    """ resize_short """
    percent = float(target_size) / min(img.shape[0], img.shape[1])
    resized_width = int(round(img.shape[1] * percent))
    resized_height = int(round(img.shape[0] * percent))
    resized = cv2.resize(img, (resized_width, resized_height))
    return resized

def crop_image(img, target_size, center):
    """ crop_image """
    height, width = img.shape[:2]
    size = target_size
    if center == True:
        w_start = (width - size) / 2
        h_start = (height - size) / 2
    else:
        w_start = np.random.randint(0, width - size + 1)
        h_start = np.random.randint(0, height - size + 1)
    w_end = w_start + size
    h_end = h_start + size
    img = img[int(h_start):int(h_end), int(w_start):int(w_end), :]
    return img

def preprocess(img):
    mean = [0.485, 0.456, 0.406]
    std = [0.229, 0.224, 0.225]
    img = resize_short(img, 224)
    img = crop_image(img, 224, True)
    # bgr-> rgb && hwc->chw
    img = img[:, :, ::-1].astype('float32').transpose((2, 0, 1)) / 255
    img_mean = np.array(mean).reshape((3, 1, 1))
    img_std = np.array(std).reshape((3, 1, 1))
    img -= img_mean
    img /= img_std
    return img[np.newaxis, :]

def predict_config(model_file, params_file):
    # 根据预测部署的实际情况，设置Config
    config = Config()
    # 读取模型文件
    config.set_prog_file(model_file)
    config.set_params_file(params_file)
    # Config默认是使用CPU预测，若要使用GPU预测，需要手动开启，设置运行的GPU卡号和分配的初始显存。
    config.enable_use_gpu(500, 0)
    # 可以设置开启IR优化、开启内存优化。
    config.switch_ir_optim()
    config.enable_memory_optim()
    predictor = create_predictor(config)
    return predictor

def predict(image, predictor):
    img = preprocess(image)
    input_names = predictor.get_input_names()
    input_tensor = predictor.get_input_handle(input_names[0])
    input_tensor.reshape(img.shape)
    input_tensor.copy_from_cpu(img.copy())
    # 执行Predictor
    predictor.run()
    # 获取输出
    output_names = predictor.get_output_names()
    output_tensor = predictor.get_output_handle(output_names[0])
    output_data = output_tensor.copy_to_cpu()
    print("output_names", output_names)
    print("output_tensor", output_tensor)
    print("output_data", output_data)
    return output_data

# 展示结果
def post_res(label_dict, res):
    res = res.tolist()
    print(res)
    # print(type(res))
    # print(max(res))
    target_index = res[0].index(max(res[0]))
    print("结果是:" + "   " + label_dict[target_index])

#主函数
if __name__ == '__main__':
    label_dict = {0:"Battery", 1:"Bottle", 2:"Cans", 3:"Ceramics",4:"Cigarette",5:"Fruit",6:"FruitSkin",7:"Vegetable",8:"VegetableSkin"}#标签所对应识别的种类，序号取决于数据集文件夹的排列顺序
    model_file = ".\model.pdmodel"			#导出的.pdmodel文件路径
    params_file = ".\model.pdiparams"		#导出的.pdiparams文件路径

    image = cv2.imread("O-Cigarette0.jpg")	#测试图片路径
    predictor = predict_config(model_file, params_file)
    res = predict(image, predictor)
    post_res(label_dict, res)

    cv2.imshow("image", image)
    cv2.waitKey()

四、结果测试