前言

我現(xiàn)在在準(zhǔn)備做一個(gè)全流程的機(jī)器視覺的工程，之前做了很多理論相關(guān)的工作。大概理解了機(jī)器視覺的原理，然后大概了解了一下，我發(fā)現(xiàn)現(xiàn)在的庫其實(shí)已經(jīng)很發(fā)展了，完全不需要用到非常多的理論，只需要知道開發(fā)過程就可以了，甚至paddlex已經(jīng)直接有了傻瓜式模型訓(xùn)練的軟件，所以我現(xiàn)在準(zhǔn)備來做一個(gè)全流程機(jī)器視覺工程開發(fā)，不涉及過多理論。

書接上文，我們?cè)谙惹暗奈恼氯鞒虣C(jī)器視覺工程開發(fā)（一）環(huán)境準(zhǔn)備，paddledetection和labelme中說明了如何準(zhǔn)備PaddleDetection環(huán)境和Labelme工具，現(xiàn)在我們來做后續(xù)的開發(fā)工作。

到這里開始我們就可以開始嘗試訓(xùn)練模型了。當(dāng)然了，工欲善其事，必先利其器，我們?cè)谡接?xùn)練模型之前，先要學(xué)會(huì)如何獲得數(shù)據(jù)集。

在正式開始訓(xùn)練和使用之前，可以先來測(cè)試一下如何使用paddledetection庫。與傳統(tǒng)的python庫不同，PaddleDetection庫與其說是一個(gè)庫，不如說是一個(gè)類似于ffmpg那樣的一個(gè)程序，通過給程序入口點(diǎn)參數(shù)來控制PaddleDetection庫的行為

在當(dāng)前的文章中，所有的操作都是直接通過python直接操作具體的文件執(zhí)行的，所以我們現(xiàn)在在CMD上默認(rèn)你已經(jīng)轉(zhuǎn)到了PaddleDetection的目錄下，比如我的電腦上是這樣：

cd /d E:\Leventure\WorkShop\Python\PaddleDetection

然后所有的命令也都是通過cmd執(zhí)行的，當(dāng)然了你也可以通過腳本或者python終端去完成這些任務(wù)，這些都是無所謂的。

注：為了寫文檔的方便，下文中為了編寫的方便，Paddledetection庫統(tǒng)一稱為PD庫，當(dāng)前目錄指的是PaddleDetection的庫根目錄

試用

首先我們安裝完成后，按照教程，先嘗試這個(gè)命令檢查庫的安裝情況：

python ppdet/modeling/tests/test_architectures.py

通過后會(huì)提示如下信息：

..........
----------------------------------------------------------------------
Ran 12 tests in 2.480s
OK (skipped=2)

在PD庫中，已經(jīng)提供了一些Demo圖片以供測(cè)試，就在當(dāng)前目錄下的demo文件夾中

我們這里取000000014439.jpg進(jìn)行測(cè)試，在cmd中輸入如下命令：

python tools/infer.py -c configs/ppyolo/ppyolo.yml -o use_gpu=true weights=https://paddlemodels.bj.bcebos.com/object_detection/ppyolo.pdparams --infer_img=demo/000000014439.jpg

這里我暫時(shí)先不解釋這條命令做了什么，我們先來看結(jié)果。結(jié)果輸出到當(dāng)前目錄/output文件夾下

開發(fā)流程

開發(fā)一個(gè)訓(xùn)練模型，我們大概有如下流程：

1. 使用labelme對(duì)數(shù)據(jù)集標(biāo)簽進(jìn)行劃分
2. 轉(zhuǎn)換labelme數(shù)據(jù)集到COCO數(shù)據(jù)集或者VOC數(shù)據(jù)集，這里轉(zhuǎn)換成COCO數(shù)據(jù)集
3. 修改PaddleDetection的配置文件，以我們給定的數(shù)據(jù)集為訓(xùn)練集
4. 進(jìn)行訓(xùn)練
5. 進(jìn)行預(yù)測(cè)

使用labelme 對(duì)數(shù)據(jù)集進(jìn)行劃分

這個(gè)部分比較簡單，參考圖片標(biāo)注工具Labelme的安裝及使用方法

然后我們獲得了圖片和標(biāo)簽，我們畫好文件夾，如圖：

圖片在文件夾:

標(biāo)簽在
J:\Train\labelme_annos

轉(zhuǎn)換labelme數(shù)據(jù)集到COCO數(shù)據(jù)集或者VOC數(shù)據(jù)集，這里轉(zhuǎn)換成COCO數(shù)據(jù)集

我們這里要用到PD項(xiàng)目下的工具，tools/x2coco.py

我們?cè)赾md中輸入：

python tools/x2coco.py --dataset_type labelme --json_input_dir J:\Train\labelme_annos --image_input_dir J:\Train\labelme_imgs --output_dir J:\Train\cocome --train_proportion 0.8 --val_proportion 0.2 --test_proportion 0.0

上面每一個(gè)--標(biāo)簽 空格后面的內(nèi)容就是參數(shù)的內(nèi)容

--dataset_type :當(dāng)前轉(zhuǎn)換的數(shù)據(jù)類型
--json_input_dir:標(biāo)簽json文件的目錄路徑
--image_input_dir:圖片文件的目錄路徑
--output_dir:輸出路徑
--train_proportion:訓(xùn)練集數(shù)據(jù)占比
--val_proportion：評(píng)估集數(shù)據(jù)占比
--test_proportion：測(cè)試集數(shù)據(jù)占比

我們這里輸入這個(gè)命令，就會(huì)在J:\Train\cocome文件夾下創(chuàng)建一個(gè)COCO數(shù)據(jù)格式的數(shù)據(jù)集

修改PaddleDetection的配置文件，以我們給定的數(shù)據(jù)集為訓(xùn)練集

在使用之前，我們要先選定一個(gè)模型

能用的模型有挺多的，我們這里以yolov3為例

找到y(tǒng)olov3_mobilenet_v1_270e_coco的配置文件，在.configs/yolov3/yolov3_mobilenet_v1_270e_coco.yml

這里這個(gè)../datasets/coco_detection.yml就是當(dāng)前這個(gè)模型配置數(shù)據(jù)集的目錄，我們轉(zhuǎn)到這個(gè)文件
./configs/datasets/coco_detection.yml

這里我已經(jīng)改了，你可以按照我給的目錄和注釋自己修改。

到此就已經(jīng)配置好了我們想要的數(shù)據(jù)集。

進(jìn)行訓(xùn)練

進(jìn)行訓(xùn)練的話，比較簡單，就是直接調(diào)庫。

python -u tools/train.py -c configs/yolov3/yolov3_mobilenet_v1_270e_coco.yml --eval

這里的configs路徑是根據(jù)我們前面挑選和使用的模型來進(jìn)行修改，不同的模型有不同的優(yōu)勢(shì)，準(zhǔn)確度或者訓(xùn)練時(shí)間或者mAP值都不同，這里我們不關(guān)心細(xì)節(jié)，只關(guān)心結(jié)果。

這里就已經(jīng)開始進(jìn)行了訓(xùn)練，這里可以看到需要訓(xùn)練好幾個(gè)小時(shí)，慢慢等吧。

等訓(xùn)練結(jié)束后，輸入命令

python -u tools/export_model.py -c configs/yolov3/yolov3_mobilenet_v1_270e_coco.yml --output_dir=./inference_model

導(dǎo)出這個(gè)模型，當(dāng)然了這個(gè)模型也會(huì)保存在C盤一個(gè)臨時(shí)位置，后面再訓(xùn)練模型的話會(huì)把原先這個(gè)模型覆蓋掉也是很正常的。

導(dǎo)出之后，會(huì)導(dǎo)出一個(gè).pdparams文件，這個(gè)文件之后我們會(huì)用。

進(jìn)行預(yù)測(cè)

進(jìn)行預(yù)測(cè)的命令也很簡單，這個(gè)時(shí)候我們就可以來看看我們本文開頭的那個(gè)測(cè)試命令了：

python tools/infer.py -c configs/ppyolo/ppyolo.yml -o use_gpu=true weights=https://paddlemodels.bj.bcebos.com/object_detection/ppyolo.pdparams --infer_img=demo/000000014439.jpg

我們通過這個(gè)infer.py來進(jìn)行的預(yù)測(cè)工作，參數(shù)列表如下：

-c :模型的配置文件
-o ： use_gpu=true 是否使用gpu weights= 用什么模型，這里我們可以使用我們自己訓(xùn)練的，網(wǎng)上實(shí)際上也提供了一些訓(xùn)練好的模型，當(dāng)你在初始化訓(xùn)練的時(shí)候?qū)嶋H上已經(jīng)把訓(xùn)練好的模型下載到你本地了，訓(xùn)練完成后你也可以自行導(dǎo)出到本地。你可以自己找找
--infer_img :需要推測(cè)的圖片

在這里插入圖片描述

總結(jié)

以上是生活随笔為你收集整理的全流程机器视觉工程开发（二）PaddleDetection：拉框，然后开始训练模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。