海云捷讯杯 赛后总结 目标检测——缺陷检测（模型训练部分）

      在这次比赛中，本人在队伍中主要负责模型训练部分，所以本文主要讲述如何使用PaddleDetection代码自定义数据集进行目标检测，欢迎大家纠错讨论哦，不胜荣幸~

---

参考项目：

SSDquexianjiance - 飞桨AI Studio (baidu.com)

感谢大佬！

1.实现平台 飞桨AI Studio

2.数据集制作

VOC数据集目录格式如下：

(如何制作VOC)数据集本文暂时不做讲解。

将标注生成的XML文件存入Annotations，图片存入JPEGImages，训练集、测试集、验证集的划分情况存入ImageSets。 在ImageSets下创建一个Main文件夹，并且在Mian文件夹下建立label_list.txt，里面存入标注的标签。 此label_list.txt文件复制一份与Annotations、ImageSets、JPEGImages同级位置放置。 其内容如下：

2.在Github中下载PaddleDetectionGitHub - PaddlePaddle/PaddleDetection: Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection.

按我的理解，Paddledetection是训练的辅助工具，等于是写好了大部分代码，我们操作者只需要修改其中参数即可，下载下来后，他是一个压缩包，我们把它解压下来，放在和我们项目NoteBook路径的同一路径，可以方便直接调用。这里如果使用PaddleAIStudio工具也是需要上传PaddleDetection工具包的。（一个偷懒的技巧，因为飞桨AI的项目里，有很多关于Paddledetection的项目，大多是已经配置好的，我们可以在他们的基础上用，省的自己去下载了。）

环境准备

注：由于我是直接在飞桨AI Studio中进行模型训练的，其中关于Paddlede各种环境一般都是配置好的，所以我仅仅做了以下两种操作

#配置python环境变量
%env PYTHONPATH=/home/aistudio/PaddleDetection

#测试项目环境
!export PYTHONPATH=`pwd`:$PYTHONPATH
!python ppdet/modeling/tests/test_architectures.py

 运行结果如下：

如果结果是OK则表示环境OK。这步如果不是OK，那么后面的代码也不用抱有任何侥幸心理了，百分百跑不通的。

---

开始训练

from paddlelite.lite import *

 选择需要的模型进行训练，本文选用的是ssd_mobilenet_v1

#开始训练
%cd /home/aistudio/PaddleDetection/
!python -u tools/train.py -c configs/ssd/ssd_mobilenet_v1_voc.yml --use_tb=True --eval

跑完结果如图 

查看训练效果

 

训练完成后输出的模型保存在 ./PaddleDetection/output/ssd_mobilenet_v1_voc 文件夹下，本次训练总轮数默认为28000轮，每隔2000轮保存一次模型，以轮次命名的均为阶段性模型，model_final为训练结束时保存的模型，best_model是每次评估后的最佳mAP模型

注：本文只是讲述如何运用简单运用PaddleDetection进行模型训练，但是要想得到满意的训练结果，需要根据具体情况调整参数。