PaddleDetection从入门到精通

一、数据集

数据集格式包括xml、voc(txt)、coco(json)

1.1、利用labelimg标注工具标注图片真实框，获得xml（voc）格式文件。标签名包括'ball'、'racket'、'hand'。如下图所示：

1.2、利用脚本将数据格式转换为coco(json)

train_val.py划分数据集：

x2coco.py：xml数据集格式转为coco格式

数据集格式输出如下：label_list.txt

以上数据格式准备工作完成

二、配置文件

这里以yolov3为例，其他的模型配置文件一样。

yolov3_mobilenet_v1_270e_coco.yml包括5个子配置文件，我们逐一详细介绍：

2.1 数据集配置文件

image_dir是图像目录，路径相对于dataset_dir；anno_path是注释文件目录，路径相对于dataset_dir；dataset_dir是数据集目录路径。

2.2 运行配置文件

选择设备GPU；日志间隔log_iter；保存路径save_dir；

2.3 优化器配置文件

base_lr：# 学习率决定了权值更新的速度，学习率越大，更新的速度就越快，但太快容易跳过最优解，而学习率太小更新的越慢，效率低。一般学习率随着训练的进行不断更改，先高一点，然后慢慢降低。

milestones：#学习率变动因子：如迭代10000次时，学习率衰减10倍，15000次迭代时，学习率又会在前一个学习率的基础上衰减15倍。

steps：#学习率变动步长

momentum：#动量，影响梯度下降到最优的速度，一般默认0.9

factor： # 权重衰减正则系数，防止过拟合

2.4 网络结构配置文件

2.5 输入配置文件

worker_num线程数量；num_max_boxes边框最大数量；sample_transforms样本数据增强；batch_transforms批量数据增强；batch_size批量大小；shuffle打乱。

以上步骤就完成了配置文件设置。

3、训练模型

python tools/train.py -c D:/train/paddle_detection/PaddleDetection/configs/yolov3/yolov3_mobilenet_v1_270e_coco.yml

使用如下命令启动VisualDL查看日志

visualdl --logdir vdl_dir/scalar/

4、模型评估

python tools/eval.py -c D:/train/paddle_detection/PaddleDetection/configs/yolov3/yolov3_mobilenet_v1_270e_coco.yml -o weights=result2/best_model/model.pdparams

5、模型预测

python tools/infer.py -c D:/train/paddle_detection/PaddleDetection/configs/yolov3/yolov3_mobilenet_v1_270e_coco.yml -o weights=result2/best_model/model.pdparams

模型部署

 6、导出模型

python tools/export_model.py -c D:/train/paddle_detection/PaddleDetection/configs/yolov3/yolov3_mobilenet_v1_270e_coco.yml -o weights=result2/best_model/model.pdparams

7、python端预测

python deploy/python/infer.py --model_dir=output_inference/yolov3_mobilenet_v1_270e_coco --image_dir=C:/Users/Administrator/Desktop/working/Data/Badminton/images --device=GPU --threshold=0.4

PaddleDetection如何训练自定义数据集_paddledetection训练自己的数据集-CSDN博客