复现教程 | 用picodet做小尺寸目标识别 （含参数）

项目代码：

Paddledetection-picodet: https://github.com/PaddlePaddle/PaddleDetection

一、环境配置

1. 下载anaconda，安装，win10左下角查找anaconda prompt 打开

1. 输入 conda create –n picodet python==3.8.13 回车创建新环境 picodet

（conda会列出所有相关的包，问你是否下载，输入y 后回车开始下载）

1. conda activate picodet 激活并进入新虚拟环境
2. 输入conda install paddlepaddle-gpu==2.3.2 cudatoolkit=10.2 --channel Index of /anaconda/cloud/Paddle/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
3. 验证安装，输入Python回车，进入python解释器，输入import paddle ，再输入 paddle.utils.run_check()如果出现PaddlePaddle is installed successfully!，说明您已成功安装。
4. 下载项目https://github.com/PaddlePaddle/PaddleDetection 并解压

1. cd 到源码项目路径，复制路径到 你anaconda终端窗口中 （如果你的anaconda此刻在C盘，请输入F： +回车先切换磁盘位置 ，在粘贴路径切换到项目所在的路径中 ）

1. 输入 pip install –r requirements.txt 安装需要的库

完成后是这个样子

1. 输入 python setup.py install 安装项目

完成后是这个样子

二、数据准备

先对项目的文件进行一些了解

1．VOC数据集制作成coco数据集

2.  VOC数据集文件夹中包含 Annotations (存放格式为xml的标签文件) Images (存放图像) train.txt , val.txt , test.txt （用脚本一键生成的数据集划分文件）label_list.txt （标签设置）

3. 执行VOC转COCO 脚本

指令：

python xml2coco.py --dataset_type voc  --voc_anno_dir E:/Make_data/data_for_sentry/VOC/Annotations --voc_anno_list E:/Make_data/data_for_sentry/VOC/trainval.txt(这里是trainval.txt，依次改成train.txt, test.txt --voc_label_list label_list.txt  --voc_out_name coco_val.json （用的文件改了之后，生成的文件名也要依次改成 coco_train.json , coco_test.json）

1. 将生成的 coco_trainval.json coco_train.json coco_test.json 及图像文件 Images文件夹复制进 dataset/（自己取名）/ 之下

三、模型训练

1.修改配置文件 （标红的都是路径、文件名、值得留意的地方）

① 数据集

② 网络结构

要理解这些参数的作用，需要有深度学习+神经网络的基础知识铺底，而且调整模型的参数以提升性能本来就是一项研究，有进阶学习需求的（想要帮我发挥出这个模型的上限的）以后可以回看picodet的论文和网络结构图来理解&改善它们

③ reader文件

2.开始训练 python tools/train.py -c configs/picodet/picodet_xs_64_coco_lcnet_lastforsentry.yml -o use_gpu=True

四、模型检测

（这里的绝对路径/相对路径很多都是乱的，请自己对着改，不要直接复制进去就回车）

1. 模型导出

python tools/export_model.py -c configs/picodet/ picodet_xs_64_coco_lcnet_lastforsentry.yml（我的配置文件路径） -o weights=output/ picodet_xs_64_coco_lcnet_lastforsentry /model_final.pdparams TestReader.inputs_def.image_shape=[1,3,64,64] （设置输入图像的大小，要和训练配置文件一致

）

2. 用测试图像测试置信度，如果这里都没有90置信度那基本是废了

python deploy/python/infer.py --model_dir output_inference/picodet_xs_64_coco_lcnet_lastforsentry2（我的模型路径） --batch_size 1 --image_dir E:/Make_data/data_for_sentry/VOC_thredshould/test(我存放图像的路径)  --output_dir E:/PaddleDetection-release-2.3/outputjpg/（我设定的图像导出路径）  --device gpu  --threshold=0.7 --save_mot_txts --save_images

3. paddle模型转onnx 模型

先 pip install paddle2onnx （下载包）

paddle2onnx --model_dir F:\PaddleDetection-release-2.5\output_inference\picodet_xs_64_coco_lcnet_infantry  --model_filename model.pdmodel --params_filename model.pdiparams  --save_file pico96_infantry.onnx   --opset_version 11 --enable_onnx_checker True  --input_shape_dict "{'image':[1,3,64,64]}"

4. 模型轻量级化

python -m onnxsim pico64_sentry_718.onnx（输入的模型）  pico64_sentry_717_sim.onnx（输出的模型）

最后onnx模型就是放在这一行代码的路径里测试实际效果了