小熊飞桨练习册-08PaddleX底特律街景
简介
小熊飞桨练习册-08PaddleX底特律街景，是学习图像分割小项目，本项目开发和测试均在 Ubuntu 20.04 系统下进行。
项目最新代码查看主页：小熊飞桨练习册
百度飞桨 AI Studio 主页：小熊飞桨练习册-08PaddleX底特律街景
Ubuntu 系统安装 CUDA 参考：Ubuntu 百度飞桨和 CUDA 的安装
- 锯齿狼牙的预测结果，模型：BiSeNetV2
文件说明
文件 说明 train.py 训练程序 prune.py 裁剪程序 quant.py 量化程序 infer.py 预测程序 onekey.sh 一键获取数据到 dataset 目录下 onetasks.sh 一键训练，量化脚本 get_data.sh 获取数据到 dataset 目录下 check_data.sh 检查 dataset 目录下的数据是否存在 mod/args.py 命令行参数解析 mod/pdxconfig.py PaddleX 配置 mod/config.py 配置 mod/utils.py 杂项 mod/report.py 结果报表 dataset 数据集目录 doc 文档目录 output 训练参数保存目录 result 预测结果保存目录
环境依赖
数据集
数据集来源于自己收集标注的百度飞桨公共数据集：锯齿狼牙的底特律街景
数据集包含训练集，验证集，测试集，包含 MASK 掩膜 和 COCO 格式数据集，适用图像分割，语义分割，实例分割学习。
如何自己标注数据
- 使用标注工具：EISeg
- 中文界面，支持 MASK 掩膜 和 COCO 格式
一键获取数据
- 运行脚本，包含以下步骤：获取数据，生成图像路径和标签的文本文件，检查数据。
- 详情查看 *onekey.sh
如果运行在本地计算机，下载完数据，文件放到 dataset 目录下，在项目目录下运行下面脚本。
如果运行在百度 AI Studio 环境，查看 data 目录是否有数据，在项目目录下运行下面脚本。
bash onekey.sh
配置模块
可以查看修改 mod/pdxconfig.py 文件，有详细的说明
开始训练
运行 train.py 文件，查看命令行参数加 -h
- 示例
python3 run/train.py \
--dataset ./dataset/detroit_streetscape \
--epochs 32 \
--batch_size 1 \
--learning_rate 0.01 \
--model BiSeNetV2 \
--pretrain_weights "CITYSCAPES"
- 参数
-h, --help show this help message and exit
--cpu 是否使用 cpu 计算，默认使用 CUDA
--num_workers 线程数量，默认 auto，为CPU核数的一半
--epochs 训练几轮，默认 4 轮
--batch_size 一批次数量，默认 16
--learning_rate 学习率，默认 0.025
--early_stop 是否使用提前终止训练策略。默认为 False
--early_stop_patience
当使用提前终止训练策略时，如果验证集精度在early_stop_patience 个 epoch
内连续下降或持平，则终止训练。默认为 5
--save_interval_epochs
模型保存间隔(单位: 迭代轮数)。默认为 1
--log_interval_steps
训练日志输出间隔（单位：迭代次数）。默认为 10
--resume_checkpoint 恢复训练时指定上次训练保存的模型路径, 默认不会恢复训练
--save_dir 模型保存路径。默认为 ./output/
--dataset 数据集目录，默认 ./dataset/
--train_list 训练集列表，默认 '--dataset' 参数目录下的 train_list.txt
--eval_list 评估集列表，默认 '--dataset' 参数目录下的 val_list.txt
--label_list 分类标签列表，默认 '--dataset' 参数目录下的 labels.txt
--lr_decay_power 默认优化器学习率衰减指数。默认为 0.9
--use_mixed_loss 是否使用混合损失函数。如果为True，混合使用CrossEntropyLoss和LovaszSoftmaxLoss，权重分别为0
.8和0.2。如果为False，则仅使用CrossEntropyLoss。也可以以列表的形式自定义混合损失函数，列表的每一个元素
为(损失函数类型，权重)元组，损失函数类型取值范围为['CrossEntropyLoss', 'DiceLoss',
'LovaszSoftmaxLoss']。默认为False。
--align_corners 是网络中对特征图进行插值时是否将四个角落像素的中心对齐。若特征图尺寸为偶数，建议设为True。若特征图尺寸为奇数，建议设为Fal
se。默认为False。
--backbone 图像分割模型 DeepLabV3P 的 backbone 网络，取值范围为['ResNet50_vd',
'ResNet101_vd']，默认为'ResNet50_vd'。
--hrnet_width 图像分割模型 HRNet 的 width 网络，高分辨率分支中特征层的通道数量。默认为48。可选择取值为[18, 48]。
--pretrain_weights 若指定为'.pdparams'文件时，则从文件加载模型权重；若为字符串'CITYSCAPES'，则自动下载在CITYSCAPES
图片数据上预训练的模型权重；若为字符串'PascalVOC'，则自动下载在PascalVOC图片数据上预训练的模型权重；若为字符
串'IMAGENET'，则自动下载在ImageNet图片数据上预训练的模型权重；若为None，则不使用预训练模型。默认为'CIT
YSCAPES'。
--model PaddleX 模型名称
--model_list 输出 PaddleX 模型名称，默认不输出，选择后只输出信息，不会开启训练
查看支持的模型
- 运行命令
python3 run/train.py --model_list
- 结果
PaddleX 图像分割模型
['DeepLabV3P', 'BiSeNetV2', 'UNet', 'HRNet', 'FastSCNN']
DeepLabV3P backbone 网络
['ResNet50_vd', 'ResNet101_vd']
模型裁剪
- 运行 prune.py 文件，查看命令行参数加 -h。
- 注意：有的模型不支持裁剪。
- 裁剪后的精度大部分会降低。
- 参考文档：模型裁剪
- 示例
python3 run/prune.py \
--dataset ./dataset/detroit_streetscape \
--epochs 16 \
--batch_size 1 \
--learning_rate 0.001 \
--model_dir ./output/best_model \
--save_dir ./output/prune \
--pruned_flops 0.2
- 参数
-h, --help show this help message and exit
--cpu 是否使用 cpu 计算，默认使用 CUDA
--num_workers 线程数量，默认 auto，为CPU核数的一半
--epochs 训练几轮，默认 4 轮
--batch_size 一批次数量，默认 16
--learning_rate 学习率，默认 0.025
--early_stop 是否使用提前终止训练策略。默认为 False
--early_stop_patience
当使用提前终止训练策略时，如果验证集精度在early_stop_patience 个 epoch 内连续下降或持平，则终止训练。默认为 5
--save_interval_epochs
模型保存间隔(单位: 迭代轮数)。默认为 1
--log_interval_steps
训练日志输出间隔（单位：迭代次数）。默认为 10
--resume_checkpoint 恢复训练时指定上次训练保存的模型路径, 默认不会恢复训练
--save_dir 模型保存路径。默认为 ./output/
--dataset 数据集目录，默认 ./dataset/
--train_list 训练集列表，默认 '--dataset' 参数目录下的 train_list.txt
--eval_list 评估集列表，默认 '--dataset' 参数目录下的 val_list.txt
--label_list 分类标签列表，默认 '--dataset' 参数目录下的 labels.txt
--lr_decay_power 默认优化器学习率衰减指数。默认为 0.9
--model_dir 模型读取路径。默认为 ./output/best_model
--skip_analyze 是否跳过分析模型各层参数在不同的裁剪比例下的敏感度，默认不跳过
--pruned_flops 根据选择的 FLOPS 减小比例对模型进行裁剪。默认为 0.2
模型量化
- 运行 quant.py 文件，查看命令行参数加 -h
- model_dir 是正常训练后的模型保存目录。
- 参考文档：模型量化
- 示例
python3 run/quant.py \
--dataset ./dataset/detroit_streetscape \
--epochs 16 \
--batch_size 1 \
--learning_rate 0.001 \
--model_dir ./output/best_model \
--save_dir ./output/quant
- 参数
-h, --help show this help message and exit
--cpu 是否使用 cpu 计算，默认使用 CUDA
--num_workers 线程数量，默认 auto，为CPU核数的一半
--epochs 训练几轮，默认 4 轮
--batch_size 一批次数量，默认 16
--learning_rate 学习率，默认 0.025
--early_stop 是否使用提前终止训练策略。默认为 False
--early_stop_patience
当使用提前终止训练策略时，如果验证集精度在early_stop_patience 个 epoch 内连续下降或持平，则终止训练。默认为 5
--save_interval_epochs
模型保存间隔(单位: 迭代轮数)。默认为 1
--log_interval_steps
训练日志输出间隔（单位：迭代次数）。默认为 10
--resume_checkpoint 恢复训练时指定上次训练保存的模型路径, 默认不会恢复训练
--save_dir 模型保存路径。默认为 ./output/
--dataset 数据集目录，默认 ./dataset/
--train_list 训练集列表，默认 '--dataset' 参数目录下的 train_list.txt
--eval_list 评估集列表，默认 '--dataset' 参数目录下的 val_list.txt
--label_list 分类标签列表，默认 '--dataset' 参数目录下的 labels.txt
--lr_decay_power 默认优化器学习率衰减指数。默认为 0.9
--model_dir 模型读取路径。默认为 ./output/best_model
预测模型
- 运行 infer.py 文件，查看命令行参数加 -h
- 示例
python3 run/infer.py --model_dir ./output/best_model \
--predict_image ./dataset/detroit_streetscape/0183.jpg
- 参数
-h, --help show this help message and exit
--model_dir 读取模型的目录，默认 './output/best_model'
--predict_image 预测的图像文件
--predict_image_dir 预测的图像目录
--weight mask可视化结果与原图权重因子，weight表示原图的权重，默认 0.6
--result_dir 预测结果可视化的保存目录，默认 './result'
关于图像宽高
- 由于原始图像是 1920×1080 在训练前填充为 1920 的正方形图像，然后调整为 1024×1024，参见 *seg-train.py
T.Padding(target_size=1920, pad_mode=0, im_padding_value=[0, 0, 0]),
T.Resize(target_size=1024),
关于预测可视化的结果颜色
- EISeg 颜色通道顺序为 RGB，paddlex.seg.visualize 颜色通道顺序为 BGR
部署模型导出
- 图像分割的 –fixed_input_shape 参数无效
- 参考文档：部署模型导出
- 示例
paddlex --export_inference --model_dir=./output/best_model/ --save_dir=./output/inference_model
VisualDL 可视化分析工具
- 安装和使用说明参考：VisualDL
- 如果是 AI Studio 环境训练的把 output/vdl_log 目录下载下来，解压缩后放到本地项目目录下 output/vdl_log 目录
- 在项目目录下运行下面命令
- 然后根据提示的网址，打开浏览器访问提示的网址即可
visualdl --logdir ./output/vdl_log
Original: https://www.cnblogs.com/cnhemiya/p/16390528.html
Author: 小熊宝宝啊
Title: 小熊飞桨练习册-08PaddleX底特律街景
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/710866/
转载文章受原作者版权保护。转载请注明原作者出处！