PaddleDetection部署以及小组分工 版本(win10+vs2019)

2021SC@SDUSC

PaddleDetection项目简介

PaddleDetection是PaddlePaddle(百度飞桨，百度推出的深度学习平台，可简单理解为一个生态，一个环境)推出的物体检测统一框架。支持现有的RCNN、SSD、YOLO等系列模型、支持 ResNet、ResNet-VD、ResNeXt、ResNeXt-VD、SENet、MobileNet、DarkNet等主干网络。针对不同的业务场景（性能、目标大小、准确率等）可以选择框架中的不同模块组合得到最适合的模型，实现任务。相比于tensorflow的Object_Detection,优势之一就是将YOLOv3这一目标检测的快速算法融合到了框架下。

部署与安装

本文主要按照paddle文档部署，可能与大家网上搜索的教学不同，希望大家根据需要寻找最适合自己的安装方法

注意：以下全是自己安装操作运行步骤 均为原创 真实模拟部署安装

进入网址：开始使用_飞桨-源于产业实践的开源深度学习平台

如图所示：默认如下图

 根据安装信息中的安装命令 进入vs2019 新建一个python项目 如图所示 打开powershell

或者是找到自己vs的python目录  打开资源地址管理器 输入cmd 回车即可

 运行安装命令

python -m pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple

 然后我出现了这个报错

 吓我一跳 仔细看发现意思是安装tensorflow库时需要的环境gast不兼容 然后给我提建议 那我就按照他的意思继续了

提示说pip需要升级 于是升级了pip 

python -m pip install --upgrade pip 

最后为了确保安装无误 再次卸载paddle依赖

python -m pip uninstall paddlepaddle-gpu

再次安装paddle

就没有问题了

安装coco-API

1 pip install Cython
2 pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

运行第二步出现问题

 出现这个错误 搜寻网上教程无果 于是亲自访问github发现没法访问 大概猜出是网络问题了(吐槽一下校园网)

切换成手机热点 安装成功

给同组其他成员调试发现有时候手机热点也不一定成功

于是搜寻方法 找到一个非常靠谱的安装cocoapi方法

win10安装cocoapi_君莫笑-CSDN博客

根据这篇博客 成功安装 感谢这位大佬

找一个文件夹 安装paddledetection 也就是克隆库

我的python在E盘 于是在E盘找一个位置下载paddledetection

cd “要安装的目录”
git clone https://github.com/PaddlePaddle/PaddleDetection.git

然后

 可见 我们的网络实在不行

于是换方法

python ppdet/modeling/tests/test_architectures.py

这次就很成功

 接下来安装python其他依赖库

这一步最好在安装paddledetection之后 因为要调用安装的paddledetection的require文档

先cd到我们的requirement.txt的上级目录

cd 安装目录

pip install -r requirements.txt

由于不明原因

发现安装cython-bbox失败 这很有可能又是网络原因 于是我们亲自去安装cython-bbox库

ERROR: Failed building wheel for cython-bbox_jasminechan0831的博客-CSDN博客

然后我们测试一下是否成功

python ppdet/modeling/tests/test_architectures.py

显示ok 就ok了

小组分工

我选择负责分工是 特色垂类检测模型 相关代码分析

以下是此模型简单介绍：

PaddleDetection中提供了丰富的模型库，具体可在模型库中查看各个模型的指标，您可依据实际部署算力的情况，选择合适的模型:

算力资源小时，推荐使用移动端模型，PaddleDetection中的移动端模型经过迭代优化，具有较高性价比。
算力资源强大时，推荐使用服务器端模型，该模型是PaddleDetection提出的面向服务器端实用的目标检测方案。
同时也可以根据使用场景不同选择合适的模型：

当小物体检测时，推荐使用两阶段检测模型，比如Faster RCNN系列模型，具体可在模型库中找到。
当在交通领域使用，如行人，车辆检测时，推荐使用特色垂类检测模型。
当在竞赛中使用，推荐使用竞赛冠军模型CACascadeRCNN与OIDV5_BASELINE_MODEL。
当在人脸检测中使用，推荐使用人脸检测模型。
同时也可以尝试PaddleDetection中开发的YOLOv3增强模型、YOLOv4模型与Anchor Free模型等