利用PaddleDetection 训练自定义COCO数据集进行目标检测 |
您所在的位置：网站首页 › paddledetection训练模型 › 利用PaddleDetection 训练自定义COCO数据集进行目标检测 |
利用PaddleDetection 训练自定义COCO数据集进行目标检测
|
1.环境配置
操作系统 Windows python 3.8 paddlepaddle-gpu 2.3.0 CUDA 10.2 cuDNN 7.6.5 ppdet 2.2.4 2.项目结构
1、下载源码后，打开项目，在PaddleDetection/dataset目录下找到coco文件夹 2、在PaddleDetection/dataset/coco目录下新建文件夹JPEGImages 3、将所有所有标注的XML文件转化为 json 格式放到 dataset/coco目录下 4.修改指定配置文件本项目中，使用 YOLOX 模型里的 configs/yolox/yolox_m_300e_coco.yml 训练 从上图看到 yolox_m_300e_coco.yml 配置需要依赖其他的配置文件。该例子依赖： 在修改文件之前，先给大家解释一下各依赖文件的作用： ————————————————
①‘ …/datasets/cocodetection.yml’主要说明了训练数据和验证数据的路径，包括数据格式(coco、voc等) ②‘…/runtime.yml’,主要说明了公共的运行状态，比如说是否使用GPU、迭代轮数等等 ③‘_base/optimizer_300e.yml’,主要说明了学习率和优化器的配置，以及设置epochs。在其他的训练的配置中，学习率和优化器是放在了一个新的配置文件中。 ④‘_base/yolox_cspdarknet.yml’,主要说明模型、和主干网络的情况说明.。。。 ⑤‘_base/yolox_reader.yml’, 主要说明了读取后的预处理操作，比如resize、数据增强等等。 请保证PaddleDetection环境配置好之后按照如下图示修改即可： cocodetection.yml
PaddleDetection提供了单卡/多卡训练模式，满足用户多种训练需求 （1）单卡训练 export CUDA_VISIBLE_DEVICES=0 #windows和Mac下不需要执行该命令 python tools/train.py -c configs/yolox/yolox_m_300e_coco.yml python tools/train.py -c configs/yolox/yolox_m_300e_coco.yml --eval首先指定CUDA的环境变量 其中 -c 后边代表指定配置文件的路径 （2）多卡训练 export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 #windows和Mac下不需要执行该命令 python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 tools/train.py -c configs/yolox/yolox_m_300e_coco.yml（3）训练过程图示
解决：编码格式问题，需要额外配置编码相关环境变量。
最后一步：重启电脑！（不重启不会生效）！ 2.注意coco数据集的cocodetection.yml中相关路径配置。 |
【本文地址】
今日新闻 |
推荐新闻 |