Ubuntu 使用 Paddle

Ubuntu 使用 Paddle

选择 PaddlePaddle 版本

查看

https://paddlepaddle.org.cn/whl/mkl/stable.html

以选择适合自己硬件的对应版本

创建环境

python 版本可根据自己所选的 Paddle 版本进行修改

conda create -n paddle python=3.8
conda activate paddle

安装 PaddlePaddle

根据自己所选版本修改 paddle 版本号和 cuda 版本号

pip install paddlepaddle-gpu==2.1.2.post112 -f https://paddlepaddle.org.cn/whl/mkl/stable.html
pip install visualdl

验证

import paddle
paddle.utils.run_check()

安装 PaddleDetection

git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection
python setup.py install
pip install -r requirements.txt

验证

python ppdet/modeling/tests/test_architectures.py

训练

安装 labelme

详见

https://blog.csdn.net/qq_49466306/article/details/119776842

并使用 labelme 进行数据标注

装换为 COCO 数据集

LABELME_INPUT_FOLDER=""
LABELME_OUTPUT_FOLDER="/dataset/"
python <path-to-PaddleDetection-git-folder>/tools/x2coco.py \
	--dataset_type labelme \
	--json_input_dir $LABELME_INPUT_FOLDER/ \
	--image_input_dir $LABELME_INPUT_FOLDER/ \
	--output_dir $LABELME_OUTPUT_FOLDER \
	--train_proportion 0.8 \
	--val_proportion 0.2 \
	--test_proportion 0.0

修改超参数

根据

<path-to-PaddleDetection-git-folder>/configs/<your-model-name>/<your-config-used>.yml

中涉及到的文件依次进行修改

开始训练（以ppyolov2为例）

export CUDA_VISIBLE_DEVICES=0

python -m paddle.distributed.launch \
	--log_dir=./ppyolo_dygraph/ \
	--gpus 0 \
	tools/train.py \
	-c ./configs/ppyolo/ppyolov2_r101vd_dcn_365e_coco.yml \
	-o pretrain_weights=./ResNet101_vd_ssld_pretrained.pdparams \
	--use_vdl=true \
	--vdl_log_dir=vdl_dir/scalar

查看训练进度

visualdl --logdir <path-to-PaddleDetection-git-folder>/vdl_dir/scalar/

推理（以ppyolov2为例）

export CUDA_VISIBLE_DEVICES=0

python tools/infer.py \
	-c configs/ppyolo/ppyolov2_r101vd_dcn_365e_coco.yml \
	-o use_gpu=true \
	weights=./output/ppyolov2_r101vd_dcn_365e_coco/model_final.pdparams \
	--infer_img=/home/chli/labelme_ws/test_labelme/1.jpg

shell关闭后未释放显存

fuser -v /dev/nvidia*

查看对应显卡 id 的python程序的 pid

kill -9 <python-pid-for-your-gpu-ids>

尽情享用吧~