PaddleDetection项目的部署与分工

2023-12-27 23:47:21

2021SC@SDUSC

PaddleDetection 是PaddlePaddle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）可以调用框架下的不同参数（或者是参数文件），实现任务。相比于tensorflow的Object_Detection,优势之一就是将YOLO这一目标检测的快速算法融合到了框架下。

项目简介：

第一步：安装paddle

利用anaconda创建一个名字叫做anaconda的paddle环境（备注：下文中命令提示窗口出现的（paddle）是指该项目环境的名称叫做paddle）具体安装方式见如下链接

https://zhuanlan.zhihu.com/p/67830286

第二步：安装COCO-API

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

第三步：选择一个文件夹，下载PaddleDetection

第一种方式：直接从github官网上进行下载https://github.com/PaddlePaddle/PaddleDetection

第二种方式：使用git进行下载：git clone

第四步：安装所需的Python其他依赖库

依赖库文档在requirements.txt中给出，可使用pip install -r requirements.txt，如下图所示是requirements.txt文档中的内容。

在下图所示内容中打“cmd”，然后出现在该路径的命令提示符。

激活环境，并且 pip install -r requirements.txt

然后运行

当显示Successfully…… ，基本上表示安装完成了，具体是否成功，下一步的测试验证

第五步：确认测试通过

set PYTHONPATH=`pwd`:$PYTHONPATH
python ppdet/modeling/tests/test_architectures.py  ###备注：在paddle自带的文档中为export PYTHONPATH=`pwd`:$PYTHONPATH
export是linux下的用法，在windows下将exoprt改成set

但是发现运行报错，报错内容如下：

错误提示发现缺少“ppdet”这个模块，ppdet（其实就是paddle detection的一个缩写），但是我们在项目的路径里面可以发现有这个模块，原因就是，我们的代码所在的路径无法读取到该文件下的代码，因此，我们需要在代码中进行改进一下。

找到 ppdet/modeling/tests/test_architectures.py这个文件，然后添加红框所示的代码。备注，第二个红框里面的路径是我的项目路径

出现如图所示的代码，表示运行成功

至此，所有的运行环境已经配置成功。

小组分工：

我负责YOLO v4模型相关问题的研究

YOLO v4模型：

简介

YOLO v4的Paddle实现版本，要求使用PaddlePaddle2.0.0及以上版本或适当的develop版本

目前转换了darknet中YOLO v4的权重，可以直接对图片进行预测，在test-dev2019中精度为43.5%。另外，支持VOC数据集上finetune，精度达到85.5%

目前支持YOLO v4的多个模块：

mish激活函数
PAN模块
SPP模块
ciou loss
label_smooth
grid_sensitive

目前支持YOLO系列的Anchor聚类算法

python tools/anchor_cluster.py -c ${config} -m ${method} -s ${size}

模型库

下表中展示了当前支持的网络结构。

	GPU个数	测试集	骨干网络	精度	模型下载	配置文件
YOLO v4	-	test-dev2019	CSPDarkNet53	43.5	下载链接	配置文件
YOLO v4 VOC	2	VOC2007	CSPDarkNet53	85.5	下载链接	配置文件

注意:

由于原版YOLO v4使用coco trainval2014进行训练，训练样本中包含部分评估样本，若使用val集会导致精度虚高，因此使用coco test集对模型进行评估。
YOLO v4模型仅支持coco test集评估和图片预测，由于test集不包含目标框的真实标注，评估时会将预测结果保存在json文件中，请将结果提交至cocodataset上查看最终精度指标。
coco测试集使用test2017，下载请参考coco2017

码农公寓