paddledetection在window使用cpu快速上手 & 在cpu端训练自己的VOC类型数据集

使用cpu快速上手

配置文件

配置文件在configs文件夹下，包含了基本上所有常见模型的配置文件
以yolov3_mobilenet_v1_roadsign.yml为例

_BASE_: [
  '../datasets/roadsign_voc.yml',
  '../runtime.yml',
  '_base_/optimizer_40e.yml',
  '_base_/yolov3_mobilenet_v1.yml',
  '_base_/yolov3_reader.yml',
]

• yolov3_mobilenet_v1_roadsign 文件入口
• roadsign_voc 主要说明了训练数据和验证数据的路径
• runtime.yml 主要说明了公共的运行参数，比如说是否使用GPU、每多少个epoch存储checkpoint等
• optimizer_40e.yml 主要说明了学习率和优化器的配置。
• ppyolov2_r50vd_dcn.yml 主要说明模型、和主干网络的情况。
• ppyolov2_reader.yml 主要说明数据读取器配置，如batch size，并发加载子进程数等，同时包含读取后预处理操作，如resize、数据增强等等

修改&开始训练

因为我使用的是cpu，所以只需要将configs/runtime.yml中use_gpu: 改成 false

然后使用命令行进行训练

 python tools/train.py -c configs/yolov3/yolov3_mobilenet_v1_roadsign.yml

到这就已经开始简单的训练了！
【参考文档】30分钟快速上手PaddleDetection

训练自己的VOC类型数据集

结构

下面是我voc类型数据集的结构

至于label_list.txt，train.txt，val.txt不用多管，这部分是后面生成的。

你需要做的就是

1. 在dataset文件夹中创建一个属于自己的文件夹
2. 创建annotations，images文件夹，然后将图片文件放入images，将xml文件放入annotations
3. 创建 create_list.py（代码如下）

import random
import os
#生成train.txt和val.txt
random.seed(2020)
#---------------------修改为自己的路径----------------------------------------------------
xml_dir  = 'D:/computervision/PaddleDetection-release-2.5/dataset/number/annotations'#标签文件地址
img_dir = 'D:/computervision/PaddleDetection-release-2.5/dataset/number/images'#图像文件地址
#---------------------修改为自己的路径----------------------------------------------------

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))
random.shuffle(path_list)
ratio = 0.9
#---------------------train/val之前修改为自己的路径----------------------------------------------------
train_f = open('D:/computervision/PaddleDetection-release-2.5/dataset/number/train.txt','w') #生成训练文件
val_f = open('D:/computervision/PaddleDetection-release-2.5/dataset/number/val.txt' ,'w')#生成验证文件
#---------------------修改为自己的路径----------------------------------------------------

for i ,content in enumerate(path_list):
    img, xml = content
    text = img + ' ' + xml + '\n'
    if i < len(path_list) * ratio:
        train_f.write(text)
    else:
        val_f.write(text)
train_f.close()
val_f.close()

#生成标签文档
label = ['number']#设置你想检测的类别

#---------------------label_list之前修改为自己的路径----------------------------------------------------
with open('D:/computervision/PaddleDetection-release-2.5/dataset/number/label_list.txt', 'w') as f:
# ---------------------label_list之前修改为自己的路径----------------------------------------------------
    for text in label:
        f.write(text+'\n')

修改配置文件

这点是基于你已经选择好了想要使用的模型，我以我使用的ppyoloe为例：

配置文件就这么4个

接下来你要做的就是：

1. 到configs/datasets创建（或者是直接修改voc.yml文件）
   以下内容基本上必须修改！！！
   其实直接右键就可以了

最后的修改结果就是：

2. 修改configs/ppyoloe/ppyoloe_crn_l_36e_coco_xpu.yml
   

贫困小孩用的是cpu，所以要改这个

3. 然后其他文件的话就是一些非必须的调参
4. 因为我用的是cpu，所以configs/runtime.yml中还要修改以防万一
   

开跑

命令行开跑：

python tools/train.py -c configs/ppyoloe/ppyoloe_crn_l_36e_coco_xpu.yml

（1）报了个错

ppdet/core/workspace.py第78行修改为

with open(file_path, encoding='utf-8') as f:

修改后

（2）结论

cpu真的别来沾边,内存占用率最高到99%属实是有点绷不住