基于Paddle的计算机视觉入门教程【学习笔记】(6)PaddleDetection安装

版本要求:

  • PaddlePaddle 2.2
  • cuDNN v8.1.1
  • CUDA 11.2.2
PaddleDetection 版本PaddlePaddle版本备注
release/2.1>= 2.1.0默认使用动态图模式

一、安装PaddlePaddle

PaddlePaddle我已经安装过了,版本为2.2,安装教程:https://blog.csdn.net/qq_44447544/article/details/123432542

二、安装PaddleDetection

注意: pip安装方式只支持Python3

先克隆仓库,找到 Releases/v2.1.0,Github链接:https://github.com/PaddlePaddle/PaddleDetection/releases/tag/v2.1.0

enter description here

源码下载好后解压即可。

enter description here

在此文件夹地址栏输入 CMD 回车,打开命令行:

enter description here

启动已经安装了 PaddlePaddle 的虚拟环境 padddle,并输入下述命令:

# # 安装其他依赖(不要挂梯子,会报错)
pip install -r requirements.txt

# 编译安装paddledet
python setup.py install

enter description here

enter description here

三、测试与体验

在 paddle 虚拟环境下输入:

python ppdet/modeling/tests/test_architectures.py

enter description here

这里提示 cuDNN版本与 Paddle不兼容,暂时不用管。

再输入:

# 在GPU上预测一张图片(不要挂梯子,会保存)
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

enter description here
结果保存在 Output文件夹下:

enter description here

至此 PaddleDetection 环境搭建完成。

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
当然,下面是一个简单的示例代码,用于展示如何使用PaddleDetection进行目标检测任务: ```python import paddle from paddle.io import DataLoader from paddle.vision.transforms import transforms from paddle.static import InputSpec from paddle import Model from paddle.vision.datasets import CocoDetection from paddle.metric import Metric # 定义数据预处理的transforms transform = transforms.Compose([ transforms.Resize(size=(800, 800)), transforms.Transpose(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) # 加载测试数据集 test_dataset = CocoDetection( image_dir='path/to/image_dir', annotation_file='path/to/annotation_file', transforms=transform, ) # 加载预训练模型 model = paddle.vision.models.detection.mask_rcnn(pretrained=True) # 定义输入数据的形状和类型 input_spec = [ InputSpec(shape=[None, 3, 800, 800], dtype='float32', name='image') ] # 创建模型实例 model = Model(model, inputs=input_spec) # 加载训练好的模型参数 model.load('path/to/model_params') # 开始预测 model.prepare() results = model.predict(test_dataset) # 打印预测结果 for image, result in zip(test_dataset, results): print('Image:', image[0]) print('Predicted labels:', result['labels']) print('Predicted boxes:', result['boxes']) ``` 以上代码演示了如何使用PaddleDetection进行目标检测任务。你需要根据实际情况修改数据集路径、模型参数路径等。同时,你还可以根据需要对代码进行进一步的定制和调整。 希望这个示例能够帮助到你!如有任何其他问题,请随时提问。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

雪天鱼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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