PaddleX+PaddleClas低代码快速实现体育实践分类

已于 2023-01-13 20:51:02 修改
阅读量1.2k 收藏 4
点赞数
文章标签： 低代码 分类 数据挖掘
于 2023-01-07 18:42:01 首次发布
原文链接：https://aistudio.baidu.com/aistudio/projectdetail/5368925?forkThirdPart=1
版权

PaddleX+PaddleClas低代码快速实现体育实践分类

1. 引言

本项目旨在使用百度飞桨提供的Paddlex和PaddleClas快速的实现图像分类。当有项目快速落地需求时可依此项目实现模型原型设计及后期训练与部署。

1.1 项目介绍

本项目主要通过模型搭建和训练实现划船、羽毛球、马球、地掷球、单板滑雪、槌球、帆船和攀岩等8种体育活动实践的自动分类识别。

1
2
3
4
5
6
7

1.2 数据集介绍

本项目数据集来自斯坦福大学视觉训练集

该数据集包含 8 个体育赛事类别：划船（250 张图片）、羽毛球（200 张图片）、马球（182 张图片）、地掷球（137 张图片）、单板滑雪（190 张图片）、槌球（236 张图片）、帆船（190 张图片）及攀岩（194张图片）。 图像根据人的主体判断分为简单和中等。 还为每个图像提供了前景物体的距离信息。
图片命名规则如下：
以 Easy_Close_Rowing_504.jpg为例。Easy表示识别难度等级、Close表示前景距离较近、Rowing表示体育实践类型、504表示图片的索引号。

2.环境准备

本项目使用了PaddleX和PaddleClas两个快速的构建工具。

2.1 PaddleX介绍

PaddleX是飞桨全流程开发工具，集飞桨核心框架、模型库、工具及组件等深度学习开发所需全部能力于一身，打通深度学习开发全流程。PaddleX同时提供简明易懂的Python API，及一键下载安装的图形化开发客户端。用户可根据实际生产需求选择相应的开发方式，获得飞桨全流程开发的最佳体验。

PaddleX 集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，并提供统一任务API接口及图形化开发界面Demo。开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个行业实际应用场景验证，沉淀产业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。

本项目中只了使用PaddleX的数据集处理功能，如向零代码实现项目功能，可以参考PaddleX GUI的使用手册，只需点击几个按钮即可完成模型训练与部署。

2.2 PaddleClas介绍

飞桨图像识别套件PaddleClas是飞桨为工业界和学术界所准备的一个图像识别和图像分类任务的工具集，助力使用者训练出更好的视觉模型和应用落地。PaddleClas支持多种前沿图像分类、识别相关算法，发布产业级特色骨干网络PP-HGNet、PP-LCNetv2、 PP-LCNet和SSLD半监督知识蒸馏方案等模型，在此基础上打造PULC超轻量图像分类方案和PP-ShiTu图像识别系统。

2.3 安装环境

2.3.1 PaddleX的安装

如果使用的AI Studio的BML CodeLab模式，可以在右侧工具栏点击“包管理”后，输入PaddleX搜索后进行图形化形式的安装。

也可以使用如下命令进行安装：

!pip install paddlex
2.3.2 PaddleClas的安装

PaddleClas的安装需要从github或者gitee等clone代码下载：
代码如下：

!git clone https://gitee.com/paddlepaddle/PaddleClas.git --depth=1

3.数据准备

本数据集已在AI Studio公开，将本数据导入项目使用如下代码进行解压。

!rar x "data/data182029/event_dataset.rar"   # 传入rar文件路径

本项目属于图像分类任务，需要使用ImageNet格式进行数据准备。

3.1数据格式

在PaddleX中，图像分类任务支持的ImageNet数据集格式要求如下：

数据文件夹结构

数据集目录event_img下包含多个文件夹，每个文件夹中的图像均属于同一个类别，文件夹的命名即为类别名（注意路径中不要包括中文，空格）。

文件夹结构示例如下：

event_img/ # 图像分类数据集根目录
|--badminton/ # 当前文件夹所有图片属于badminton类别
|  |--d1.jpg
|  |--d2.jpg
|  |--...
|  |--...
|
|--...
|
|--bocce/ # 当前文件夹所有图片属于bocce类别
|  |--s1.jpg
|  |--s2.jpg
|  |--...
|  |--...
训练集、验证集列表和类别标签列表

为了完成模型的训练和精度验证。我们需要在event_img目录下准备train_list.txt, val_list.txt和labels.txt三个文件，分别用于表示训练集列表，验证集列表和类别标签列表。点击下载图像分类示例数据集查看具体的数据格式。

  • labels.txt

labels.txt用于列出所有类别，类别对应行号表示模型训练过程中类别的id(行号从0开始计数)，例如labels.txt为以下内容

0 RockClimbing
1 badminton
2 bocce
3 croquet
4 polo
5 rowing
6 sailing
7 snowboarding

即表示该分类数据集中共有8个类别，在模型训练中RockClimbing对应的类别id为0, badminton对应1，其他以此类推。

  • train_list.txt

train_list.txt列出用于训练时的图片集合，与其对应的类别id，示例如下

RockClimbing/Easy_Mid_RockClimbing_838.jpg 0
...
sailing/Easy_Mid_sailing_258.jpg 6
snowboarding/Easy_Mid_snowboarding_285.jpg 7

其中第一列为相对对event_img的相对路径，第二列为图片对应类别的类别id

  • val_list.txt

val_list列出用于验证时的图片集成，与其对应的类别id，格式与train_list.txt一致。

本项目的数据集已经为我们做好了处理，我们只需直接解压即可。但是个别文件夹中存在Thumb.db文件，在划分数据前请务必删除，否则会影响后期的训练。

%ls Thumb.db
3.2 使用PaddleX划分数据集

PaddleX提供了全套数据标注流程，用户可先安装、启动标注软件并标注数据，再将数据集标注格式转换成PaddleX要求的格式，最后进行数据划分。

在模型进行训练时，我们需要划分训练集，验证集和测试集，可直接使用paddlex命令将数据集随机划分。也可以借助PaddleX可视化客户端进行模型训练，数据集划分功能集成在客户端内，无需自行使用paddlex命令划分，只需将划分好的txt文件上传到event_img文件夹中即可。

可以使用下述指令直接进行划分。
参数中
–split_dataset 表示需要使用paddleX的数据集划分功能
–format是指明需要划分的数据类型，本项目使用的PaddleClas工具，故需要指定为ImageNet类型。
–dataset_dir 是指训练集的名称，指定需要进行划分的数据集文件夹
–val_value 表示验证集比例
–test_value 表示测试集比例

!paddlex --split_dataset --format ImageNet --dataset_dir enent_img --val_value 0.2 --test_value 0.1

4.修改模型

paddleClas为我们提供了大量的预训练模型，他们是使用在某个较大的数据集训练好的预训练模型，即被预置了参数的权重，可以帮助模型在新的数据集上更快收敛。尤其是对一些训练数据比较稀缺的任务，在神经网络参数十分庞大的情况下，仅仅依靠任务自身的训练数据可能无法训练充分，加载预训练模型的方法可以认为是让模型基于一个更好的初始状态进行学习，从而能够达到更好的性能。
此项目中我们使用了一个较为轻量的预训练模型来训练，首先复制/home/aistudio/PaddleClas/ppcls/configs/quick_start/new_user/ShuffleNetV2_x0_25.yaml文件到根目录，也可以不复制，复制的目的就是在填写训练指令参数时可以更加方便。打开yaml文件进行配置，配置选项意义见每行后的注释。

# global configs
Global:
  checkpoints: null             #指定断点模型路径，用于恢复训练
  pretrained_model: null          #预训练模型路径
  output_dir: ./output/           #保存模型路径
  device: gpu                 #使用GPU进行训练
  save_interval: 10             #每隔多少个 epoch 保存模型
  eval_during_train: True         #是否在训练时进行评估
  eval_interval: 10             #每隔多少个 epoch 进行模型评估
  epochs: 60                  #训练总 epoch 数
  print_batch_step: 10           #每隔多少个 mini-batch 打印输出
  use_visualdl: Ture            #是否是用 visualdl 可视化训练过程
  # used for static mode and model export
  image_shape: [3, 224, 224]      #图片大小，paddleClas会自动对输入的图像进行处理，此处使用原模型参数，不要修改
  save_inference_dir: ./inference

# model architecture
Arch:
  name: ShuffleNetV2_x0_25      #模型结构名字
  class_num: 8              #分类数,本项目共需要对8个体育实践进行分类，故设置为8
 
# loss function config for traing/eval process  #配置损失函数
Loss:                    
  Train:                     #训练集损失函数
    - CELoss:                 #使用交叉熵损失函数
        weight: 1.0            #CELoss 在整个 Loss 中的权重
  Eval:                     #验证集损失函数
    - CELoss:                #使用交叉熵损失函数
        weight: 1.0           #CELoss 在整个 Loss 中的权重


Optimizer:
  name: Momentum             #优化器方法名，此处使用了动量优化，也可选择其他优化器如：RmsProp等
  momentum: 0.9              #momentum 值
  lr:                    #配置学习率
    name: Cosine            #学习率下降方式，也可以设置"Linear"、"Piecewise"等其他下降方式
    learning_rate: 0.0125      #学习下降率
    warmup_epoch: 5         #warmup 轮数
  regularizer:             #配置正则化方式
    name: 'L2'            #正则化方式名称 也可选L1
    coeff: 0.00001         #正则化系数
 

# data loader for train and eval     #数据读取模块
DataLoader:
  Train:                   #训练集读取
    dataset:
      name: ImageNetDataset                         #训练集名称，可以不改
      image_root: /home/aistudio/event_img               #指定训练集路径
      cls_label_path: /home/aistudio/event_img/train_list.txt  #数据集标签 list
      transform_ops:                      #单张图片的数据预处理
        - DecodeImage:
            to_rgb: True
            channel_first: False
        - RandCropImage:
            size: 224
        - RandFlipImage:
            flip_code: 1
        - NormalizeImage:
            scale: 1.0/255.0
            mean: [0.485, 0.456, 0.406]
            std: [0.229, 0.224, 0.225]
            order: ''

    sampler:                     #sampler 类型
      name: DistributedBatchSampler
      batch_size: 256
      drop_last: False
      shuffle: True
    loader:
      num_workers: 4
      use_shared_memory: True

  Eval:
    dataset: 
      name: ImageNetDataset                         #验证集名称，可不修改
      image_root: /home/aistudio/event_img               #验证集存放路径
      cls_label_path: /home/aistudio/event_img/val_list.txt    #验证集标签文件
      transform_ops:
        - DecodeImage:
            to_rgb: True
            channel_first: False
        - ResizeImage:
            resize_short: 256
        - CropImage:
            size: 224
        - NormalizeImage:
            scale: 1.0/255.0
            mean: [0.485, 0.456, 0.406]
            std: [0.229, 0.224, 0.225]
            order: ''
    sampler:
      name: DistributedBatchSampler
      batch_size: 64
      drop_last: False
      shuffle: False
    loader:
      num_workers: 4
      use_shared_memory: True

Infer:                                        #预测
  infer_imgs: /home/aistudio/event_img/badminton/Hard_Mid_badminton_28.jpg  #需要预测的图片
  batch_size: 10
  transforms:
    - DecodeImage:
        to_rgb: True
        channel_first: False
    - ResizeImage:
        resize_short: 256
    - CropImage:
        size: 224
    - NormalizeImage:
        scale: 1.0/255.0
        mean: [0.485, 0.456, 0.406]
        std: [0.229, 0.224, 0.225]
        order: ''
    - ToCHWImage:
  PostProcess:
    name: Topk
    topk: 5
    class_id_map_file: /home/aistudio/event_img/labels.txt

Metric:
  Train:                    #评估指标
    - TopkAcc:
        topk: [1, 5]
  Eval:
    - TopkAcc:
        topk: [1, 5]

5.模型训练

在准备好数据、模型后，便可以开始迭代模型并更新模型的参数。经过多次迭代最终可以得到训练好的模型来做图像分类任务。图像分类的训练过程需要很多经验，涉及很多超参数的设置，PaddleClas 提供了一些列的训练调优方法，可以快速助你获得高精度的模型。

同时，PaddleClas 还支持使用VisualDL 可视化训练过程。VisualDL 是飞桨可视化分析工具，以丰富的图表呈现训练参数变化趋势、模型结构、数据样本、高维数据分布等。可帮助用户更清晰直观地理解深度学习模型训练过程及模型结构，进而实现高效的模型优化。

通过上述的配置文件即可开始训练模型，首先进入PaddleClas目录

%cd ~/PaddleClas

/home/aistudio/PaddleClas

!python tools/train.py \                          #模型训练
    -c /home/aistudio/ShuffleNetV2_x0_25.yaml \   #训练的配置文件
    -o Arch.pretrained=True                       #是否加载预训练模型
    -o Global.device=gpu                          #使用GPU进行训练，也可换为cpu 表示使用cpu训练

训练过程可视化

VisualDL 是飞桨可视化分析工具，以丰富的图表呈现训练参数变化趋势、模型结构、数据样本、高维数据分布等。可帮助用户更清晰直观地理解深度学习模型训练过程及模型结构，进而实现高效的模型优化。更多细节请查看VisualDL。

现在 PaddleClas 支持在训练阶段使用 VisualDL 查看训练过程中学习率（learning rate）、损失值（loss）以及准确率（accuracy）的变化情况。
在启动训练程序后，可以在新的终端 session 中启动 VisualDL 服务：

!python3 tools/train.py -c config.yaml

上述命令中，参数--logdir 用于指定保存 VisualDL 日志的目录，VisualDL 将遍历并且迭代寻找指定目录的子目录，将所有实验结果进行可视化。

6.模型推理

当训练得到一个模型之后，如何确定模型的好坏，需要将模型在验证集上进行评估。评估指标一般是 Top1-Acc 或者 Top5-Acc，该指标越高往往代表模型性能越好。

!python3 tools/infer.py \
    -c /home/aistudio/ShuffleNetV2_x0_25.yaml \            #指定需要使用的配置文件
    -o Infer.infer_imgs=/home/aistudio/event_img/badminton/Easy_Close_badminton_107.jpg \#指定需要预测的图片
    -o Global.pretrained_model=output/ShuffleNetV2_x0_25/latest #指定需要加载的模型

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/__init__.py:107: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import MutableMapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/rcsetup.py:20: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Iterable, Mapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:53: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Sized
[2022/12/08 21:34:09] ppcls INFO: 
===========================================================
==        PaddleClas is powered by PaddlePaddle !        ==
===========================================================
==                                                       ==
==   For more info please go to the following website.   ==
==                                                       ==
==       https://github.com/PaddlePaddle/PaddleClas      ==
===========================================================

[2022/12/08 21:34:09] ppcls INFO: Arch : 
[2022/12/08 21:34:09] ppcls INFO:     class_num : 8
[2022/12/08 21:34:09] ppcls INFO:     name : ShuffleNetV2_x0_25
[2022/12/08 21:34:09] ppcls INFO: DataLoader : 
[2022/12/08 21:34:09] ppcls INFO:     Eval : 
[2022/12/08 21:34:09] ppcls INFO:         dataset : 
[2022/12/08 21:34:09] ppcls INFO:             cls_label_path : /home/aistudio/event_img/val_list.txt
[2022/12/08 21:34:09] ppcls INFO:             image_root : /home/aistudio/event_img
[2022/12/08 21:34:09] ppcls INFO:             name : ImageNetDataset
[2022/12/08 21:34:09] ppcls INFO:             transform_ops : 
[2022/12/08 21:34:09] ppcls INFO:                 DecodeImage : 
[2022/12/08 21:34:09] ppcls INFO:                     channel_first : False
[2022/12/08 21:34:09] ppcls INFO:                     to_rgb : True
[2022/12/08 21:34:09] ppcls INFO:                 ResizeImage : 
[2022/12/08 21:34:09] ppcls INFO:                     resize_short : 256
[2022/12/08 21:34:09] ppcls INFO:                 CropImage : 
[2022/12/08 21:34:09] ppcls INFO:                     size : 224
[2022/12/08 21:34:09] ppcls INFO:                 NormalizeImage : 
[2022/12/08 21:34:09] ppcls INFO:                     mean : [0.485, 0.456, 0.406]
[2022/12/08 21:34:09] ppcls INFO:                     order : 
[2022/12/08 21:34:09] ppcls INFO:                     scale : 1.0/255.0
[2022/12/08 21:34:09] ppcls INFO:                     std : [0.229, 0.224, 0.225]
[2022/12/08 21:34:09] ppcls INFO:         loader : 
[2022/12/08 21:34:09] ppcls INFO:             num_workers : 4
[2022/12/08 21:34:09] ppcls INFO:             use_shared_memory : True
[2022/12/08 21:34:09] ppcls INFO:         sampler : 
[2022/12/08 21:34:09] ppcls INFO:             batch_size : 64
[2022/12/08 21:34:09] ppcls INFO:             drop_last : False
[2022/12/08 21:34:09] ppcls INFO:             name : DistributedBatchSampler
[2022/12/08 21:34:09] ppcls INFO:             shuffle : False
[2022/12/08 21:34:09] ppcls INFO:     Train : 
[2022/12/08 21:34:09] ppcls INFO:         dataset : 
[2022/12/08 21:34:09] ppcls INFO:             cls_label_path : /home/aistudio/event_img/train_list.txt
[2022/12/08 21:34:09] ppcls INFO:             image_root : /home/aistudio/event_img
[2022/12/08 21:34:09] ppcls INFO:             name : ImageNetDataset
[2022/12/08 21:34:09] ppcls INFO:             transform_ops : 
[2022/12/08 21:34:09] ppcls INFO:                 DecodeImage : 
[2022/12/08 21:34:09] ppcls INFO:                     channel_first : False
[2022/12/08 21:34:09] ppcls INFO:                     to_rgb : True
[2022/12/08 21:34:09] ppcls INFO:                 RandCropImage : 
[2022/12/08 21:34:09] ppcls INFO:                     size : 224
[2022/12/08 21:34:09] ppcls INFO:                 RandFlipImage : 
[2022/12/08 21:34:09] ppcls INFO:                     flip_code : 1
[2022/12/08 21:34:09] ppcls INFO:                 NormalizeImage : 
[2022/12/08 21:34:09] ppcls INFO:                     mean : [0.485, 0.456, 0.406]
[2022/12/08 21:34:09] ppcls INFO:                     order : 
[2022/12/08 21:34:09] ppcls INFO:                     scale : 1.0/255.0
[2022/12/08 21:34:09] ppcls INFO:                     std : [0.229, 0.224, 0.225]
[2022/12/08 21:34:09] ppcls INFO:         loader : 
[2022/12/08 21:34:09] ppcls INFO:             num_workers : 4
[2022/12/08 21:34:09] ppcls INFO:             use_shared_memory : True
[2022/12/08 21:34:09] ppcls INFO:         sampler : 
[2022/12/08 21:34:09] ppcls INFO:             batch_size : 256
[2022/12/08 21:34:09] ppcls INFO:             drop_last : False
[2022/12/08 21:34:09] ppcls INFO:             name : DistributedBatchSampler
[2022/12/08 21:34:09] ppcls INFO:             shuffle : True
[2022/12/08 21:34:09] ppcls INFO: Global : 
[2022/12/08 21:34:09] ppcls INFO:     checkpoints : None
[2022/12/08 21:34:09] ppcls INFO:     device : gpu
[2022/12/08 21:34:09] ppcls INFO:     epochs : 60
[2022/12/08 21:34:09] ppcls INFO:     eval_during_train : True
[2022/12/08 21:34:09] ppcls INFO:     eval_interval : 10
[2022/12/08 21:34:09] ppcls INFO:     image_shape : [3, 224, 224]
[2022/12/08 21:34:09] ppcls INFO:     output_dir : ./output/
[2022/12/08 21:34:09] ppcls INFO:     pretrained_model : output/ShuffleNetV2_x0_25/latest
[2022/12/08 21:34:09] ppcls INFO:     print_batch_step : 10
[2022/12/08 21:34:09] ppcls INFO:     save_inference_dir : ./inference
[2022/12/08 21:34:09] ppcls INFO:     save_interval : 10
[2022/12/08 21:34:09] ppcls INFO:     use_visualdl : False
[2022/12/08 21:34:09] ppcls INFO: Infer : 
[2022/12/08 21:34:09] ppcls INFO:     PostProcess : 
[2022/12/08 21:34:09] ppcls INFO:         class_id_map_file : /home/aistudio/event_img/labels.txt
[2022/12/08 21:34:09] ppcls INFO:         name : Topk
[2022/12/08 21:34:09] ppcls INFO:         topk : 5
[2022/12/08 21:34:09] ppcls INFO:     batch_size : 10
[2022/12/08 21:34:09] ppcls INFO:     infer_imgs : /home/aistudio/event_img/badminton/Easy_Close_badminton_107.jpg
[2022/12/08 21:34:09] ppcls INFO:     transforms : 
[2022/12/08 21:34:09] ppcls INFO:         DecodeImage : 
[2022/12/08 21:34:09] ppcls INFO:             channel_first : False
[2022/12/08 21:34:09] ppcls INFO:             to_rgb : True
[2022/12/08 21:34:09] ppcls INFO:         ResizeImage : 
[2022/12/08 21:34:09] ppcls INFO:             resize_short : 256
[2022/12/08 21:34:09] ppcls INFO:         CropImage : 
[2022/12/08 21:34:09] ppcls INFO:             size : 224
[2022/12/08 21:34:09] ppcls INFO:         NormalizeImage : 
[2022/12/08 21:34:09] ppcls INFO:             mean : [0.485, 0.456, 0.406]
[2022/12/08 21:34:09] ppcls INFO:             order : 
[2022/12/08 21:34:09] ppcls INFO:             scale : 1.0/255.0
[2022/12/08 21:34:09] ppcls INFO:             std : [0.229, 0.224, 0.225]
[2022/12/08 21:34:09] ppcls INFO:         ToCHWImage : None
[2022/12/08 21:34:09] ppcls INFO: Loss : 
[2022/12/08 21:34:09] ppcls INFO:     Eval : 
[2022/12/08 21:34:09] ppcls INFO:         CELoss : 
[2022/12/08 21:34:09] ppcls INFO:             weight : 1.0
[2022/12/08 21:34:09] ppcls INFO:     Train : 
[2022/12/08 21:34:09] ppcls INFO:         CELoss : 
[2022/12/08 21:34:09] ppcls INFO:             weight : 1.0
[2022/12/08 21:34:09] ppcls INFO: Metric : 
[2022/12/08 21:34:09] ppcls INFO:     Eval : 
[2022/12/08 21:34:09] ppcls INFO:         TopkAcc : 
[2022/12/08 21:34:09] ppcls INFO:             topk : [1, 5]
[2022/12/08 21:34:09] ppcls INFO:     Train : 
[2022/12/08 21:34:09] ppcls INFO:         TopkAcc : 
[2022/12/08 21:34:09] ppcls INFO:             topk : [1, 5]
[2022/12/08 21:34:09] ppcls INFO: Optimizer : 
[2022/12/08 21:34:09] ppcls INFO:     lr : 
[2022/12/08 21:34:09] ppcls INFO:         learning_rate : 0.0125
[2022/12/08 21:34:09] ppcls INFO:         name : Cosine
[2022/12/08 21:34:09] ppcls INFO:         warmup_epoch : 5
[2022/12/08 21:34:09] ppcls INFO:     momentum : 0.9
[2022/12/08 21:34:09] ppcls INFO:     name : Momentum
[2022/12/08 21:34:09] ppcls INFO:     regularizer : 
[2022/12/08 21:34:09] ppcls INFO:         coeff : 1e-05
[2022/12/08 21:34:09] ppcls INFO:         name : L2
[2022/12/08 21:34:09] ppcls INFO: train with paddle 2.4.0 and device Place(gpu:0)
W1208 21:34:09.953636 28924 gpu_resources.cc:61] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 11.2
W1208 21:34:09.962896 28924 gpu_resources.cc:91] device: 0, cuDNN Version: 8.2.
[{'class_ids': [1, 5, 3, 6, 2], 'scores': [0.98893, 0.00943, 0.00102, 0.00035, 0.00023], 'file_name': '/home/aistudio/event_img/badminton/Easy_Close_badminton_107.jpg', 'label_names': ['badminton', 'rowing', 'croquet', 'sailing', 'bocce']}]

me/aistudio/event_img/badminton/Easy_Close_badminton_107.jpg’, ‘label_names’: [‘badminton’, ‘rowing’, ‘croquet’, ‘sailing’, ‘bocce’]}]

从上述结果来看，scores列表中第一项预测概率是0.98893是最大值，对应Label_names中的第一项即：badminton,与实际相符。

7.总结

通过本项目的实践，通过飞桨提供的API只是用了4行代码，修改了1个配置文件即实现了8中体育运动的图片分类，大大减轻了的以往“手堆”网络的工作量，借助于迁移学习可以使用大量著名的预训练模型以提高模型精度。

PaddleClas也同时提供了图像增广算法和蒸馏功能，在此项目中未使用，拟在下一步的项目中使用。

该项目为本人参加飞桨特训营第二期学习项目，感谢导师林旭的大力帮助，感谢各位导师专家的授课辅导。

此文章为搬运
原项目链接

AI Studio
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于PaddleX+Flask开发后端，基于VUE开发前端应用，做一个AI医疗的WEB应用.zip
09-28
基于PaddleX+Flask开发后端，基于VUE开发前端应用，做一个AI医疗的WEB应用.zip
PaddleX-其他
07-01
PaddleX -- 飞桨全流程开发工具，以低代码的形式支持开发者快速实现产业实际项目落地。 PaddleX 集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，并提供统一任务API接口及图形化开发界面Demo。开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。 PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个行业实际应用场景验证，沉淀产业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。 安装： PaddleX提供三种开发模式，满足用户的不同需求： 1、Python开发模式： 通过简洁易懂的Python API，在兼顾功能全面性、开发灵活性、集成方便性的基础上，给开发者最流畅的深度学习开发体验。 前置依赖 paddlepaddle >= 1.8.4 python >= 3.6 cython pycocotools pip install paddlex -i https://mirror.baidu.com/pypi/simple 详细安装方法请参考PaddleX安装 2、Padlde GUI模式： 无代码开发的可视化客户端，应用Paddle API实现，使开发者快速进行产业项目验证，并为用户开发自有深度学习软件/应用提供参照。 前往PaddleX官网，申请下载PaddleX GUI一键绿色安装包。 前往PaddleX GUI使用教程了解PaddleX GUI使用详情。 PaddleX GUI安装环境说明 3、PaddleX Restful: 使用基于RESTful API开发的GUI与Web Demo实现远程的深度学习全流程开发；同时开发者也可以基于RESTful API开发个性化的可视化界面 前往PaddleX RESTful API使用教程 PaddleX 更新日志： v2.0.0.rc0 全面支持飞桨2.0动态图，更易用的开发模式 目标检测任务新增PP-YOLOv2, COCO test数据集精度达到49.5%、V100预测速度达到68.9 FPS 目标检测任务新增4.2MB的超轻量级模型PP-YOLO tiny 语义分割任务新增实时分割模型BiSeNetV2 C++部署模块全面升级  PaddleInference部署适配2.0预测库  支持飞桨PaddleDetection、PaddleSeg、PaddleClas以及PaddleX的模型部署  新增基于PaddleInference的GPU多卡预测  GPU部署新增基于ONNX的的TensorRT高性能加速引擎部署方式  GPU部署新增基于ONNX的Triton服务化部署方式 Tags：PaddleX源码包 PaddleX2.0 pp飞桨 PaddleX
PaddleX训练一个自定义数据集的图像分类模型，全流程打通（从环境搭建到推理部署）
weixin_45921929的博客
12-11 2675
PaddleX训练一个自定义数据集的图像分类模型，全流程打通（从环境搭建到推理部署）
基于PaddleX的纸板缺陷检测
m0_63642362的博客
06-02 1472
基于PaddleX的纸板缺陷检测
Windows：如何使用PaddleClas做一个完整的项目(一）
qq_38758774的博客
03-21 5345
PaddleClas简介： 飞桨图像分类套件PaddleClas是飞桨为工业界和学术界所准备的一个图像分类任务的工具集，助力使用者训练出更好的视觉模型和应用落地。 项目链接：Windows：如何使用PaddleClas做一个完整的项目(一） 一、环境搭建 Windows搭建环境请查看文章：Windows-paddle-深度学习环境搭建 1.1 PaddleClas环境安装 · 通过pip install paddleclas安装paddleclas whl包 包括ResNet、HRNet、ResNeSt、M
简单聊聊目标检测新范式RT-DETR的骨干：HGNetv2
chenxiangrong的博客
04-27 2573
本文版权属于GiantPandaCV，未经许可，请勿转账！前几天疯狂刷屏的RT-DETR赚足了眼球，在精度和速度上体现的优势和性价比远远高于YOLO，而今年ChatGPT、Sam的出现，也让一些吃瓜群众知乎CNN没有未来了，今天的文章，我们简单聊一聊RT-DETR的骨干网络，HGNetv2。
一文掌握面向Windows平台的深度学习工控程序开发（使用Paddle Inference部署MFC、C#程序，内含完整代码链接）
钱彬的博客
06-05 2567
制造业作为国民经济主体，是国家创造力、竞争力和综合国力的重要体现。作为制造强国建设的主攻方向，智能制造发展水平关乎我国未来制造业的全球地位。与此同时，面对供应链环境不确定性的增加、人力等运营成本的逐渐攀升、“双碳”战略之下能源转型的迫切要求，制造业想要实现高质量发展，迈向中高端水平，不仅需要从低附加价值领域向高附加价值领域两端延伸，更重要是需要加快人工智能等核心技术规模化应用落地。在此背景之下，如何利用好人工智能这把利剑，加快新旧动能转换，实现传统生产方式的转型升级，也成为每个制造企业不得不思考的问题。目前
使用paddleX进行目标检测详解
weixin_45259896的博客
10-14 4477
数据标注 这部分直接复制了paddleX里的文档 数据标注。 手机拍照图片旋转 当您收集的样本图像来源于手机拍照时，请注意由于手机拍照信息内附带水平垂直方向信息，这可能会使得在标注和训练时出现问题，因此在拍完照后注意根据方向对照片进行处理，使用如下函数即可解决 from PIL import Image, ExifTags def rotate(im): try: for orientation in ExifTags.TAGS.keys(): if Exi
基于PaddleX+Flask+Vue前后端分离的AI医疗系统源码+部署文档+全部数据资料 高分项目.zip
最新发布
05-13
基于PaddleX+Flask+Vue前后端分离的AI医疗系统源码+部署文档+全部数据资料 高分项目.zip基于PaddleX+Flask+Vue前后端分离的AI医疗系统源码+部署文档+全部数据资料 高分项目.zip 【备注】 1、该项目是个人高分项目...
基于深度学习paddlex+yolov3的罐装瓶喷码缺陷检测源码+项目说明+数据 .zip
05-02
基于深度学习paddlex+yolov3的罐装瓶喷码缺陷检测源码+项目说明+数据 .zip
PaddleX - 飞桨全流程开发工具，以低代码的形式支持开发者快速实现产业实际项目落地
06-05
PaddleX -- 飞桨全流程开发工具，以低代码的形式支持开发者快速实现产业实际项目落地。 PaddleX 集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练...
paddlepaddle使用paddleclas进行数据增强（只有图像分类相关的）
ccutyear的博客
09-23 4330
能看到这篇博客的同学相信不会不知道paddlepaddle，因此就不像别人写的博文那样对paddlepaddle做普及。 paddleclas的官方文档：https://paddleclas.readthedocs.io/zh_CN/latest/tutorials/ 之前使用paddleapddle时也使用过数据增强。但是，当时参考的官网上的一个公开项目：https://aistudio.baidu.com/aistudio/projectdetail/474524...
【深度学习】图像多标签分类任务，百度PaddleClas
q742971636的博客
07-06 2195
百度PaddleClas GitHub链接：https://github.com/PaddlePaddle/PaddleClas。 在项目中目录下面是对多标签分类任务的指导，版本迭代找不到的话就搜索multilabel应该就能找到。本文跟着这个指导实战一遍。
paddlex训练模型以目标检测为例
naexting的博客
09-02 4922
paddlex版本问题 前一天paddlex2.0还可以用，第二天就报版本的问题，解决方法就是重装1.3的版本 PaddleX/tutorials/train at release/2.0-rc · PaddlePaddle/PaddleX (github.com) 本教程使用到的数据集 VOC车辆 0. paddlex API API接口说明 — PaddleX 文档 目标检测PascalVOC — PaddleX 文档 1. 相关库下载 在本地如果还没有安装飞桨的，还要提前安装pip paddlepad
基于PaddleX和PaddleSeg的眼底彩照视盘分割
m0_63642362的博客
12-10 972
利用PaddleX（PPYOLO Tiny）和PaddleSeg（自定义模型）实现的视盘分割项目。
PaddleX_数据集-datasets
我是天才很好
07-08 1461
PaddleX目前支持主流的CV数据集格式和 EasyData 数据标注平台的标注数据格式，此外PaddleX也提升了数据格式转换工具API，支持包括LabelMe，精灵标注助手和EasyData平台数据格式的转换，可以参考PaddleX的tools API文档。 下表为各数据集格式与相应任务的对应关系， 数据集格式 图像分类 目标检测 实例分割 语义分割 ImageNet √ VOCDetection √ CocoDetection √ √ SegDataset
使用Paddle将 COCO格式数据集划分为训练集, 验证集和测试集(附Paddle安装教程)
知北行的博客
05-19 3010
1. 解决方法 可使用PaddleX框架自带的工具，对数据集进行随机划分，首先要将数据集按照如下格式整理: MyDataset/ # 实例分割数据集根目录 |--JPEGImages/ # 原图文件所在目录 | |--1.jpg | |--2.jpg | |--... | |--... | |--annotations.json # 标注文件所在目录 在数据集按照上面格式组织后，使用如下命令即可快速完成数据集随机划分，其中val_value表示验证集的比例，test_value表示测试集的比例（可
第二部分PaddleX数据集_2.2 检测和实例分割数据集
我是天才很好
07-08 1261
文章目录VOCDetection类CocoDetection类EasyDataDet类 VOCDetection类 paddlex.datasets.VOCDetection(data_dir, file_list, label_list, transforms=None, num_workers=‘auto’, buffer_size=100, parallel_method='thread', shuffle=False) 仅用于目标检测。读取PascalVOC格式的检测数据集，并对样本进行相应的处理
基于PaddleX的水果系统的实现
05-26
PaddleX是一个基于飞桨（PaddlePaddle）开发的深度学习开发框架，它可以帮助开发者快速构建和部署深度学习模型。水果识别系统可以使用PaddleX进行实现。 首先，需要准备一个水果图片数据集，并将其标注好。PaddleX支持多种数据格式，如VOC、COCO、ImageNet等，可以方便地进行数据集的转换和使用。然后，可以使用PaddleX提供的图像分类模型进行训练，如ResNet、MobileNet、DarkNet等，也可以使用自己的模型进行训练。 训练完成后，可以使用PaddleX提供的模型评估功能，对模型进行评估和调整。最后，可以使用PaddleX提供的部署功能，将训练好的模型部署到移动端、Web端、服务器等不同平台上，实现水果识别功能。 需要注意的是，训练深度学习模型需要大量的计算资源和时间，建议使用GPU进行训练。同时，为了提高模型的准确率，需要尽可能多地收集水果图片数据，并进行合理的数据增强和预处理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值