一、图像分类（快速在 PaddleLabel 标注的花朵分类数据集上展示如何应用 PaddleX 训练 MobileNetV3_ssld 网络）
PaddleLabel 标注数据+PaddleX 训练预测=快速完成一次图像分类的任务
1. 数据准备
- 首先使用
PaddleLabel对自制的花朵数据集进行标注，其次使用Split Dataset功能分割数据集，最后导出数据集
- 从
PaddleLabel导出后的内容全部放到自己的建立的文件夹下，例如dataset/flower_clas_dataset，其目录结构如下：
├── flower_clas_dataset │ ├── image │ │ ├── flower1.jpg │ │ ├── flower2.jpg │ │ ├── ... │ ├── labels.txt │ ├── test_list.txt │ ├── train_list.txt │ ├── val_list.txt
2. 训练
2.1 安装必备的库
2.1.1 安装 paddlepaddle
# 您的机器安装的是 CUDA9 或 CUDA10，请运行以下命令安装 pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple # 您的机器是CPU，请运行以下命令安装 # pip install paddlepaddle
2.1.2 安装 PaddleX 以及依赖项
pip install "paddlex<=2.0.0" pip install scikit-image pip install threadpoolctl==2.0.0 -i https://mirror.baidu.com/pypi/simple pip install scikit-learn==0.23.2
2.2 准备训练
2.2.1 配置 GPU
# jupyter中使用paddlex需要设置matplotlib import matplotlib matplotlib.use('Agg') # 设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型） import os os.environ['CUDA_VISIBLE_DEVICES'] = '0' import paddlex as pdx
2.2.2 定义图像处理流程 transforms
定义训练和验证过程中，图像的处理流程，其中训练过程包括了部分数据增强操作（验证时不需要），如在本示例中，训练过程使用了RandomCrop和RandomHorizontalFlip两种数据增强方式，更多图像预处理流程 transforms 的使用可参见paddlex.cls.transforms
from paddlex import transforms as T train_transforms = T.Compose([ T.RandomCrop(crop_size=224), T.RandomHorizontalFlip(), T.Normalize()]) eval_transforms = T.Compose([ T.ResizeByShort(short_size=256), T.CenterCrop(crop_size=224), T.Normalize() ])
2.2.3 定义数据集 Dataset
使用 PaddleX 内置的数据集读取器读取训练和验证数据集。在图像分类中使用ImageNet格式的数据集，因此这里采用pdx.datasets.ImageNet来加载数据集，该接口的介绍可参见文档paddlex.datasets.ImageNet
train_dataset = pdx.datasets.ImageNet( data_dir='./dataset/flower_clas_dataset', file_list='./dataset/flower_clas_dataset/train_list.txt', label_list='./dataset/flower_clas_dataset/labels.txt', transforms=train_transforms) eval_dataset = pdx.datasets.ImageNet( data_dir='./dataset/flower_clas_dataset', file_list='./dataset/flower_clas_dataset/val_list.txt', label_list='./dataset/flower_clas_dataset/labels.txt', transforms=eval_transforms)
2.3 模型开始训练
在定义好数据集后，即可选择分类模型（这里使用了MobileNetV3_large_ssld模型），开始进行训练。 更多模型训练参数介绍可参见文档paddlex.cls.MobileNetV3_large_ssld，在如下代码中，模型训练过程每间隔save_interval_epochs轮会保存一次模型在save_dir目录下，同时在保存的过程中也会在验证数据集上计算相关指标，模型训练过程中相关日志的含义可参见文档
num_classes = len(train_dataset.labels) model = pdx.cls.MobileNetV3_large_ssld(num_classes=num_classes) model.train(num_epochs=12, train_dataset=train_dataset, train_batch_size=32, eval_dataset=eval_dataset, lr_decay_epochs=[6, 8], save_interval_epochs=3, learning_rate=0.00625, save_dir='output/mobilenetv3_large_ssld' )
3. 预测
3.1 预测
import paddlex as pdx model = pdx.load_model('./output/mobilenetv3_large_ssld/best_model') image_path = './dataset/flower_clas_dataset/image/1008566138_6927679c8a.jpg' result = model.predict(image_path) print("Predict Result:", result)
预测的样例图片是：
预测的结果是：
Predict Result: [{'category_id': 0, 'category': 'sunflower', 'score': 0.9999815}] 最终结论：预测正确 ✔
二、目标检测（快速在 PaddleLabel 标注的道路标志检测数据集上展示如何应用 PaddleX 训练 YOLOv3 网络
PaddleLabel 标注数据+PaddleX 训练预测=快速完成一次目标检测的任务
1. 数据准备
- 首先使用
PaddleLabel对自制的路标数据集进行标注，其次使用Split Dataset功能分割数据集，最后导出数据集 - 从
PaddleLabel导出后的内容全部放到自己的建立的文件夹下，例如dataset/roadsign_det_dataset，其目录结构如下：
├── roadsign_det_dataset │ ├── Annotations │ ├── JPEGImages │ ├── labels.txt │ ├── test_list.txt │ ├── train_list.txt │ ├── val_list.txt
2. 训练
2.1 安装必备的库
2.1.1 安装 paddlepaddle
# 您的机器安装的是 CUDA9 或 CUDA10，请运行以下命令安装 pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple # 您的机器是CPU，请运行以下命令安装 # pip install paddlepaddle
2.1.2 安装 PaddleX
pip install "paddlex<=2.0.0" -i https://mirror.baidu.com/pypi/simple
2.2 准备训练
2.2.1 配置 GPU
# 设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型） import matplotlib matplotlib.use('Agg') import os os.environ['CUDA_VISIBLE_DEVICES'] = '0' import paddlex as pdx
2.2.2 定义图像处理流程 transforms
定义数据处理流程，其中训练和测试需分别定义，训练过程包括了部分测试过程中不需要的数据增强操作，如在本示例中，训练过程使用了MixupImage、RandomDistort、RandomExpand、RandomCrop和RandomHorizontalFlip共 5 种数据增强方式，更多图像预处理流程paddlex.det.transforms
from paddlex import transforms as T train_transforms = T.Compose([ T.MixupImage(mixup_epoch=250), T.RandomDistort(), T.RandomExpand(), T.RandomCrop(), T.Resize(target_size=608, interp='RANDOM'), T.RandomHorizontalFlip(), T.Normalize()]) eval_transforms = T.Compose([ T.Resize(target_size=608, interp='CUBIC'), T.Normalize() ])
2.2.3 定义数据集 Dataset
目标检测可使用VOCDetection格式和COCODetection两种数据集，此处由于数据集为 VOC 格式，因此采用 pdx.datasets.VOCDetection来加载数据集，该接口的介绍可参见文档paddlex.datasets.VOCDetection
train_dataset = pdx.datasets.VOCDetection( data_dir='./dataset/roadsign_det_dataset', file_list='./dataset/roadsign_det_dataset/train_list.txt', label_list='./dataset/roadsign_det_dataset/labels.txt', transforms=train_transforms, shuffle=True) eval_dataset = pdx.datasets.VOCDetection( data_dir='./dataset/roadsign_det_dataset', file_list='./dataset/roadsign_det_dataset/val_list.txt', label_list='./dataset/roadsign_det_dataset/labels.txt', transforms=eval_transforms)
2.3 模型开始训练
在定义好数据集后，即可选择检测模型（这里使用了yolov3_darknet53模型），开始进行训练。 关于检测模型训练，更多参数介绍可参见文档paddlex.det.YOLOv3，在如下代码中，模型训练过程每间隔save_interval_epochs轮会保存一次模型在save_dir目录下，同时在保存的过程中也会在验证数据集上计算相关指标，模型训练过程中相关日志的含义可参见文档
num_classes = len(train_dataset.labels) model = pdx.det.YOLOv3(num_classes=num_classes, backbone='DarkNet53') model.train( num_epochs=10, train_dataset=train_dataset, train_batch_size=8, eval_dataset=eval_dataset, learning_rate=0.000125, lr_decay_epochs=[210, 240], save_interval_epochs=20, save_dir='output/yolov3_darknet53')
3. 预测
3.1 预测
使用模型进行预测，同时使用pdx.det.visualize将结果可视化，可视化结果将保存到./output/yolov3_mobilenetv1下，其中threshold代表Box的置信度阈值，将Box置信度低于该阈值的框过滤不进行可视化
import paddlex as pdx model = pdx.load_model('output/yolov3_darknet53/best_model') image_path = './dataset/roadsign_det_dataset/JPEGImages/road554.png' result = model.predict(image_path) pdx.det.visualize(image_path, result, threshold=0.5, save_dir='./output/yolov3_darknet53')
预测的样例图片如下图：
预测的结果是：
speedlimit 0.77 预测正确 ✔
三、图像分割（快速在 PaddleLabel 标注的狗子分割数据集上展示如何应用 PaddleX 训练 DeepLabV3 网络）
PaddleLabel 标注数据+PaddleX 训练预测=快速完成一次图像语义分割的任务
1. 数据准备
- 首先使用
PaddleLabel对自制的狗子数据集进行标注，其次使用Split Dataset功能分割数据集，最后导出数据集 - 从
PaddleLabel导出后的内容全部放到自己的建立的文件夹下，例如dataset/dog_seg_dataset，其目录结构如下：
├── dog_seg_dataset │ ├── Annotations │ ├── JPEGImages │ ├── labels.txt │ ├── test_list.txt │ ├── train_list.txt │ ├── val_list.txt
2. 训练
2.1 安装必备的库
2.1.1 安装 paddlepaddle
# 您的机器安装的是 CUDA9 或 CUDA10，请运行以下命令安装 pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple # 您的机器是CPU，请运行以下命令安装 # pip install paddlepaddle
2.1.2 安装 PaddleX
pip install "paddlex<=2.0.0" -i https://mirror.baidu.com/pypi/simple
2.2 准备训练
2.2.1 配置 GPU
# 设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型） import matplotlib matplotlib.use('Agg') import os os.environ['CUDA_VISIBLE_DEVICES'] = '0' import paddlex as pdx
2.2.2 定义图像处理流程 transforms
定义数据处理流程，其中训练和测试需分别定义，训练过程包括了部分测试过程中不需要的数据增强操作，如在本示例中，训练过程使用了RandomHorizontalFlip这种数据增强方式，更多图像预处理流程 transforms 的使用可参见paddlex.seg.transforms
from paddlex import transforms as T train_transforms = T.Compose([ T.RandomHorizontalFlip(), T.Resize(target_size=512), T.Normalize() ]) eval_transforms = T.Compose([ T.Resize(target_size=512), T.Normalize() ])
2.2.3 定义数据集 Dataset语义分割使用SegDataset格式的数据集，因此采用pdx.datasets.SegDataset来加载数据集，该接口的介绍可参见文档paddlex.datasets.SegDataset
train_dataset = pdx.datasets.SegDataset( data_dir='./dataset/dog_seg_dataset', file_list='./dataset/dog_seg_dataset/train_list.txt', label_list='./dataset/dog_seg_dataset/labels.txt', transforms=train_transforms, shuffle=True) eval_dataset = pdx.datasets.SegDataset( data_dir='./dataset/dog_seg_dataset', file_list='./dataset/dog_seg_dataset/val_list.txt', label_list='./dataset/dog_seg_dataset/labels.txt', transforms=eval_transforms)
2.3 模型开始训练
在定义好数据集后，即可选择分割模型（这里使用了deeplabv3模型），开始进行训练。
更多训练模型的参数介绍可参见文档paddlex.seg.DeepLabv3，在如下代码中，模型训练过程每间隔save_interval_epochs轮会保存一次模型在save_dir目录下，同时在保存的过程中也会在验证数据集上计算相关指标，模型训练过程中相关日志的含义可参见文档
num_classes = len(train_dataset.labels) model = pdx.seg.DeepLabV3P(num_classes=num_classes, backbone='ResNet50_vd') model.train( num_epochs=40, train_dataset=train_dataset, train_batch_size=4, eval_dataset=eval_dataset, learning_rate=0.01, save_interval_epochs=1, save_dir='output/deeplab', use_vdl=True)
3. 预测
3.1 预测
使用模型进行预测，同时使用pdx.seg.visualize将结果可视化，可视化结果将保存到./output/deeplab下，其中weight代表原图的权重，即 mask 可视化结果与原图权重因子。
import paddlex as pdx model = pdx.load_model('output/deeplab/best_model') image_name = './dataset/dog_seg_dataset/JPEGImages/e619b17a9c1b9f085dc2712eb603171f.jpeg' result = model.predict(image_name) pdx.seg.visualize(image_name, result, weight=0.4, save_dir='./output/deeplab')
可视化结果如下所示：
