PaddleDection运行

PaddleDection的使用

训练自己的训练集所需的配置修改

• 选择适合的模型，这里以yolov3_mobilenet_v1_roadsign.yml为例
• 修改文件中指明的配置文件roadsign_voc.yml，其他的模型也类似，所有有关于数据的配置文件都放与/configs/datasets下，这里需要修改的是
  • num_classes，也就是自己数据集的种类数，部分模型把背景也当做一类，ssd
  • dataset_dir, anno_path修改成自己数据集和数据.txt文件所在目录
• 修改runtime.yml，其放与/configs下，即是所有模型公用的配置，主要是
  • use_gpu(使不使用gpu)
  • log_iter(打印日志的间隔)
• 修改_base_/optimizer_40e.yml,这是每个模型独有的，主要设置
  • epoch(训练轮数, 文件名字40e所代表的就是训练40轮）
  • base_lr(学习率) 官方给出的都是8卡训练，在自己本地训练最好除以8
• 修改_base_/yolov3_mobilenet_v1.yml，这里有预训练权重，以及yolov3的anchors值需要修改（依据官方提供的py文件得到适合于自训练集的anchors值）
• 修改_base_/yolov3_reader.yml，这里主要修改训练，测试时的bathch_sizes,同样这里有anchors需要修改，在本地或者性能不好的服务器上运行时需要适当降低batch_sizes的值，否则容易爆内存

得到anchors值，在文件根目录执行 python tools\anchor_cluster.py -c .\configs\yolov3\yolov3_mobilenet_v1_roadsign.yml
训练文件根目录运行 python tools\train.py -c .\configs\yolov3\yolov3_mobilenet_v1_roadsign.yml --eval
--eval是实时评估训练，而不是等到训练结束后自己运行eval.py脚本来实现评估模型。
若需要实时显示loss值等可以使用paddle提供的visualdl,具体使用方法见官方文档paddleDection官方文档，其实它就是把运行过程中的记录下来，然后在运行软件可视化。

就自己的训练任务来说，不知道为什么训练效果不甚理想，同时我们同组的想要修改其中的骨架网络进行创新，但我真是无从下手这么庞大的项目。网上也并没有这样的示例，仅仅都是什么训练自己的训练集这些入门使用的博客。唉，可真是有点难为我了。
在我训练时还遇到了***/voc.yml下的difficult出错，同时在github上也有人遇到了同样的问题，但没有解决，只是简单的吧difficult有关的行进行了注释。
至此可以进行训练，但是由于本人对paddleDection的了解也并不多，所以上面难免有问题，但由于课程需要，之后随着学习将会更正并完善以上。