手把手教你用PaddleDetection套件训练目标检测模型

手把手教你使用PaddleDetection套件完成目标检测模型的训练

一、数据准备

1.收集图片数据

将搜集到的数据图片简单筛选下，整合在一个文件夹下

可以使用ReNamer进行图片批量重命名

将图片文件夹压缩得到.zip文件

2.数据处理

（1）导入数据
将图片压缩包上传至EazyData
从网上收集到的数据可能有不符合要求的内容，请手动将部分图片进行删除，后续清洗无法处理这些图片

（2）数据清洗
创建清洗任务
选择合适的清洗方式，去近似以及去模糊可以选择具体的相似度和模糊度

（3）数据增强
这次例子没有使用数据增强原因是数据数量应该够用，倘若数据过少可以尝试使用数据增强进行处理。具体操作请自行摸索了。

（4）标注数据

首先在右侧添加标签
然后就可以在图片内部进行画框，快捷键写标签了，按s保存此张

如果数据集过多可以使用智能标签
需要每样标签都有至少十个才能启动
建议是每个样式的数据都标注一些再启动
智能标注流程如下

（5）导出

选择xml格式导出

在导出记录里点击下载即可

3.上传前预处理

将压缩包的名称以及内部文件夹名称重命名为合适的名称
将annotations和images文件夹首字母改为小写
在左侧data目录下上传重命名后的数据集

!ls ~/data

二、环境准备

1.安装PaddleDetection

# 解压PaddleDetection压缩包%cd /home/aistudio/data/data267567!unzip -q PaddleDetection-release-2.6.zip -d /home/aistudio

2.安装依赖

# 安装requirements中的依赖%cd ~/PaddleDetection-release-2.6!pip install -r requirements.txt#安装过慢可以打开requirements.txt文件，注释掉opencv-python <= 4.6.0（在前面加“#”）# 然后将此命令前的“#”删掉重新运行# !pip install opencv-python <= 4.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple# 编译安装paddledet!python setup.py install%cd ~

三、数据准备

1.解压数据集压缩包

# 移动到当前挂载的数据集目录# 解压数据集到指定目录下%cd /home/aistudio/data/data313161/!unzip -q lift.zip -d /home/aistudio

/home/aistudio/data/data313161[lift.zip]  End-of-central-directory signature not found.  Either this file is not  a zipfile, or it constitutes one disk of a multi-part archive.  In the  latter case the central directory and zipfile comment will be found on  the last disk(s) of this archive.note:  lift.zip may be a plain executable, not an archiveunzip:  cannot find zipfile directory in one of lift.zip or        lift.zip.zip, and cannot find lift.zip.ZIP, period.

如果出现以上错误，请运行下面的代码

%cd /home/aistudio/!unzip -q lift.zip -d /home/aistudio

2.生成训练所需文件

这里训练集和验证集是按4：1划分的，可以将全部的数据集都用作训练

import os#生成train.txt、val.txtxml_dir  = '/home/aistudio/lift/annotations'img_dir = '/home/aistudio/lift/images'path_list = list()for img in os.listdir(img_dir):    img_path = os.path.join(img_dir,img)    xml_path = os.path.join(xml_dir,img.replace('jpg', 'xml'))    path_list.append((img_path, xml_path))train_f = open('/home/aistudio/lift/train.txt','w') val_f = open('/home/aistudio/lift/val.txt','w') for i ,content in enumerate(path_list):    img, xml = content    text = img + ' ' + xml + '\n'    if i % 5 == 0:        val_f.write(text)    else:        train_f.write(text)train_f.close()val_f.close()

在运行下面代码块前，请修改label_list.txt文件
内容为标签名称（每个标签单独一行如图所示）**

!cp ~/label_list.txt ~/lift%cd ~/PaddleDetection-release-2.6# 生成训练集!python tools/x2coco.py \        --dataset_type voc \        --voc_anno_dir /home/aistudio/lift/annotations/ \        --voc_anno_list /home/aistudio/lift/train.txt \        --voc_label_list /home/aistudio/lift/label_list.txt \        --voc_out_name /home/aistudio/lift/train.json# 生成验证集!python tools/x2coco.py \        --dataset_type voc \        --voc_anno_dir /home/aistudio/lift/annotations/ \        --voc_anno_list /home/aistudio/lift/val.txt \        --voc_label_list /home/aistudio/lift/label_list.txt \        --voc_out_name /home/aistudio/lift/val.json

/home/aistudio/PaddleDetection-release-2.6Start converting !100%|██████████████████████████████████████| 161/161 [00:00<00:00, 26787.38it/s]Start converting !100%|████████████████████████████████████████| 41/41 [00:00<00:00, 23877.60it/s]

四、数据分析

1.标签数量统计

import osfrom unicodedata import nameimport xml.etree.ElementTree as ETimport globdef count_num(indir):    # 提取xml文件列表    os.chdir(indir)    annotations = os.listdir('.')    annotations = glob.glob(str(annotations) + '*.xml')    dict = {} # 新建字典，用于存放各类标签名及其对应的数目    for i, file in enumerate(annotations): # 遍历xml文件               # actual parsing        in_file = open(file, encoding = 'utf-8')        tree = ET.parse(in_file)        root = tree.getroot()        # 遍历文件的所有标签        for obj in root.iter('object'):            name = obj.find('name').text            if(name in dict.keys()): dict[name] += 1 # 如果标签不是第一次出现，则+1            else: dict[name] = 1 # 如果标签是第一次出现，则将该标签名对应的value初始化为1    # 打印结果    print("各类标签的数量分别为：")    for key in dict.keys():         print(key + ': ' + str(dict[key]))            indir='/home/aistudio/lift/annotations'   # xml文件所在的目录count_num(indir) # 调用函数统计各类标签数目

各类标签的数量分别为：motorcycle: 184bike: 24

2.标注框高宽比分析

第一次运行卡了，可以尝试重新运行一次，下面应该是要有图的

import osimport matplotlib.pyplot as pltfrom unicodedata import nameimport xml.etree.ElementTree as ETimport globdef ratio(indir):    # 提取xml文件列表    os.chdir(indir)    annotations = os.listdir('.')    annotations = glob.glob(str(annotations) + '*.xml')    # count_0, count_1, count_2, count_3 = 0, 0, 0, 0 # 举反例，不要这么写    count = [0 for i in range(20)]    for i, file in enumerate(annotations): # 遍历xml文件        # actual parsing        in_file = open(file, encoding = 'utf-8')        tree = ET.parse(in_file)        root = tree.getroot()        # 遍历文件的所有检测框        for obj in root.iter('object'):            xmin = obj.find('bndbox').find('xmin').text            ymin = obj.find('bndbox').find('ymin').text            xmax = obj.find('bndbox').find('xmax').text            ymax = obj.find('bndbox').find('ymax').text            Aspect_ratio = (int(ymax)-int(ymin)) / (int(xmax)-int(xmin))            if int(Aspect_ratio/0.25) < 19:                count[int(Aspect_ratio/0.25)] += 1            else:                count[-1] += 1    sign = [0.25*i for i in range(20)]    plt.bar(x=sign, height=count)    print(count)indir='/home/aistudio/lift/annotations/'   # xml文件所在的目录ratio(indir)

[0, 8, 22, 36, 27, 33, 30, 23, 15, 8, 4, 2, 0, 0, 0, 0, 0, 0, 0, 0]

3.图像尺寸分析

import osfrom unicodedata import nameimport xml.etree.ElementTree as ETimport globdef Image_size(indir):    # 提取xml文件列表    os.chdir(indir)    annotations = os.listdir('.')    annotations = glob.glob(str(annotations) + '*.xml')    width_heights = []    for i, file in enumerate(annotations): # 遍历xml文件        # actual parsing        in_file = open(file, encoding = 'utf-8')        tree = ET.parse(in_file)        root = tree.getroot()        width = int(root.find('size').find('width').text)        height = int(root.find('size').find('height').text)        if [width, height] not in width_heights: width_heights.append([width, height])    print("数据集中，有{}种不同的尺寸，分别是：".format(len(width_heights)))    for item in width_heights:        print(item)indir='/home/aistudio/lift/annotations/'   # xml文件所在的目录Image_size(indir)

4.检测框中心分布分析

import osfrom unicodedata import nameimport xml.etree.ElementTree as ETimport globdef distribution(indir):    # 提取xml文件列表    os.chdir(indir)    annotations = os.listdir('.')    annotations = glob.glob(str(annotations) + '*.xml')    data_x, data_y = [], []    for i, file in enumerate(annotations): # 遍历xml文件        # actual parsing        in_file = open(file, encoding = 'utf-8')        tree = ET.parse(in_file)        root = tree.getroot()        width = int(root.find('size').find('width').text)        height = int(root.find('size').find('height').text)        # 遍历文件的所有检测框        for obj in root.iter('object'):            xmin = int(obj.find('bndbox').find('xmin').text)            ymin = int(obj.find('bndbox').find('ymin').text)            xmax = int(obj.find('bndbox').find('xmax').text)            ymax = int(obj.find('bndbox').find('ymax').text)            x = (xmin + (xmax-xmin)) / width            y = (ymin + (ymax-ymin)) / height            data_x.append(x)            data_y.append(y)                plt.scatter(data_x, data_y, s=1, alpha=0.1)indir='/home/aistudio/lift/annotations/'   # xml文件所在的目录distribution(indir)

五、模型训练

1.修改~/coco_lift.yml

2.修改数据集配置文件

修改模型配置文件中的第一行，将PaddleDetection/configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml第一行的coco_detection.yml修改为coco_lift.yml

%cd /home/aistudio!cp coco_lift.yml /home/aistudio/PaddleDetection-release-2.6/configs/datasets/

/home/aistudio

3.修改模型配置文件参数

具体参数需自行调整，默认使用最新的，建议调整下base_lr，在/home/aistudio/PaddleDetection-release-2.6/configs/ppyoloe/base/optimizer_80e.yml路径下，由于我们的单卡，可以将默认的数值改为原先的1/8

4.模型训练

这里采用的模型是ppyoloe+_m

%cd /home/aistudio/PaddleDetection-release-2.6# 模型训练 # 如果要恢复训练，则加上 -r output/ppyoloe_plus_crn_m_80e_coco/best_model# 如果要边训练边评估，则加上--eval# 训练时的日志输出将保存在--vdl_log_dir所指的路径下# 模型压缩则加上--slim_config configs/slim/xxx/{SLIM_CONFIG.yml}（{SLIM_CONFIG.yml}为指定压缩策略配置文件）!python tools/train.py \    -c configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml --eval \    --use_vdl=true \    --vdl_log_dir=VisualDL

# 当训练完成，如有需要，可以删除所有的checkpoint，只保留best_model%cd ~/PaddleDetection-release-2.6/output/ppyoloe_plus_crn_m_80e_coco!find . -type f -name '[0-9]*'!find . -type f -name '[0-9]*' -exec rm -f {} \;!echo "delete checkpoints complete!"

六、模型检验和导出

1.模型预测

可以运行了看一下对每张图片的识别,比对后可以针对性进行数据增强

%cd /home/aistudio/PaddleDetection-release-2.6# infer_img表示预测改路径的单张图片# infer_dir表示对该路径下的所有图片进行预测# draw_threshold表示置信度大于该值的框才画出来# 生成的图片保存在/home/aistudio/work/PaddleDetection/infer_output!python tools/infer.py \    -c configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml \    --infer_dir=/home/aistudio/lift/images \    --output_dir=infer_output/ \    --draw_threshold=0.5 \    -o weights=/home/aistudio/PaddleDetection-release-2.6/output/ppyoloe_plus_crn_m_80e_coco/best_model.pdparams

2.模型导出

出现full_graph问题就打开trainer.py把full_graph=True删掉即可

%cd /home/aistudio/PaddleDetection-release-2.6# 将"-o weights"里的模型路径换成你自己训好的模型!python tools/export_model.py \    -c configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml \    -o weights=/home/aistudio/PaddleDetection-release-2.6/output/ppyoloe_plus_crn_m_80e_coco/best_model.pdparams \    TestReader.fuse_normalize=true

3.打包下载

# 创建model文件夹if not os.path.exists('/home/aistudio/model/'):    os.makedirs('/home/aistudio/model/') #创建路径# 将检测模型拷贝到model文件夹中!cp -r /home/aistudio/PaddleDetection-release-2.6/output_inference/ppyoloe_plus_crn_m_80e_coco/* /home/aistudio/model/

# 打包代码%cd /home/aistudio/!zip -r -q -o model.zip model/

/home/aistudio

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：手把手教你用PaddleDetection套件训练目标检测模型要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题