Skip to content

Latest commit

 

History

History
68 lines (43 loc) · 2.35 KB

QUICK_STARTED_cn.md

File metadata and controls

68 lines (43 loc) · 2.35 KB
Raw

English | 简体中文

快速开始

为了使得用户能够在很短的时间内快速产出模型，掌握PaddleDetection的使用方式，这篇教程通过一个预训练检测模型对小数据集进行finetune。在P40上单卡大约20min即可产出一个效果不错的模型。

  • 注：在开始前，对于Linux用户, 运行如下命令设置PYTHONPATH，如果有GPU设备，指定GPU设备号。对于Windows用户，同样需要将PaddleDetection的根目录设置到PYTHONPATH中。
export PYTHONPATH=$PYTHONPATH:.
export CUDA_VISIBLE_DEVICES=0

数据准备

数据集参考Kaggle数据集，其中训练数据集240张图片，测试数据集60张图片，数据类别为3类：苹果，橘子，香蕉。下载链接。数据下载后分别解压即可, 数据准备脚本位于download_fruit.py。下载数据方式如下：

python dataset/fruit/download_fruit.py

开始训练

训练命令如下：

python -u tools/train.py -c configs/yolov3_mobilenet_v1_fruit.yml \
                        --use_tb=True \
                        --tb_log_dir=tb_fruit_dir/scalar \
                        --eval

训练使用yolov3_mobilenet_v1基于COCO数据集训练好的模型进行finetune。训练期间可以通过tensorboard实时观察loss和精度值，启动命令如下：

tensorboard --logdir tb_fruit_dir/scalar/ --host <host_IP> --port <port_num>

tensorboard结果显示如下：

训练模型下载链接

评估预测

评估命令如下：

python -u tools/eval.py -c configs/yolov3_mobilenet_v1_fruit.yml

预测命令如下

python -u tools/infer.py -c configs/yolov3_mobilenet_v1_fruit.yml \
                         -o weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_mobilenet_v1_fruit.tar \
                         --infer_img=demo/orange_71.jpg

预测图片如下：

更多训练及评估流程，请参考入门使用文档。