PaddleDetection使官方使用手册细节点总结（1）

1、Fine-tune其他任务

使用预训练模型fine-tune其他任务时，可以直接加载预训练模型，形状不匹配的参数将自动忽略，例如：

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
python -u tools/train.py -c configs/faster_rcnn_r50_1x.yml -o pretrain_weights=output/faster_rcnn_r50_1x/model_final

也可以显示的指定忽略参数名，可采用如下两种方式：
（1）在YAML配置文件中设置finetune_exclude_pretrained_params
（2）在命令行中添加-o finetune_exclude_pretrained_params对预训练模型进行选择性加载。

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
python -u tools/train.py -c configs/faster_rcnn_r50_1x.yml \
                       -o pretrain_weights=output/faster_rcnn_r50_1x/model_final \
                          finetune_exclude_pretrained_params=['cls_score','bbox_pred'] 

2、混合精度训练

混合精度训练会降低mAP值，但是在训练速度上会有所提升（速度和精度trade-off较好的一种策略）。通过设置 --fp16 命令行选项可以启用混合精度训练。目前混合精度训练已经在Faster-FPN, Mask-FPN 及 Yolov3 上进行验证，几乎没有精度损失（小于0.2 mAP)。可使用多进程方式来进一步加速混合精度训练。示例如下：

python -m paddle.distributed.launch --selected_gpus 0,1,2 tools/train.py --fp16 -c configs/faster_rcnn_r50_fpn_1x.yml

如果训练loss出现NaN现象，可调节–loss_scale参数（在train.py脚本中的参数处理部分；调小），还可以将配置文件中的norm-type由affine_channel改为bn

3、生成适合自己数据集的Anchor

python tools/anchor_cluster.py -c configs/ppyolo/ppyolo.yml -n 9 -s 608 -m v2 -i 1000

目前anchor_cluster.py支持的主要参数配置如下表所示：
参数 用途 默认值 备注
-c/–config 模型的配置文件 无默认值 必须指定
-n/–n 聚类的簇数 9 Anchor的数目
-s/–size 图片的输入尺寸 None 若指定，则使用指定的尺寸，如果不指定, 则尝试从配置文件中读取图片尺寸
-m/–method 使用的Anchor聚类方法 v2 目前只支持yolov2/v5的聚类算法
-i/–iters kmeans聚类算法的迭代次数 1000 kmeans算法收敛或者达到迭代次数后终止
-gi/–gen_iters 遗传算法的迭代次数 1000 该参数只用于yolov5的Anchor聚类算法
-t/–thresh Anchor尺度的阈值 0.25 该参数只用于yolov5的Anchor聚类算法

4、训练轮数与学习率等参数设置

根据训练集数量与总batch_size大小计算epoch数，然后将epoch数换算得到训练总轮数max_iters。milestones（学习率变化界限）也是同理。
（1）原配置文件中总batch_size=2*8=16（8卡训练），训练集数量约为12万张，max_iters=90000，所以epoch数=16x90000/120000=12。
（2）在AI识虫数据集中，训练集数量约为1700，在单卡GPU上训练，max_iters=12x1700/2=10200。同理计算milestones为: [6800, 9000]。
（3）学习率与GPU数量呈线性变换关系，如果GPU数量减半，那么学习率也将减半。由于PaddleDetection中的faster_rcnn_r50_fpn模型是在8卡GPU环境下训练得到的，所以我们要将学习率除以8：