使用PaddleDetection2.0自定义数据集实现火焰识别预测

1数据解压

将完成标注的火焰图片（VOC数据集）进行解压。

!unzip -oq /home/aistudio/huo.zip -d work/

2准备环境

目前代码的版本是release/2.0，需要使用PaddlePaddle2.0.2版本。

! git clone https://gitee.com/paddlepaddle/PaddleDetection.git

3自定义数据集的划分

将数据集按照9：1的比例进行划分，并生成train.txt和val.txt进行训练

import randomimport os#生成train.txt和val.txtrandom.seed(2020)
xml_dir  = '/home/aistudio/work/Annotations'img_dir = '/home/aistudio/work/JPEGImages'path_list = list()for img in os.listdir(img_dir):
    img_path = os.path.join(img_dir,img)
    xml_path = os.path.join(xml_dir,img.replace('jpg', 'xml'))
    path_list.append((img_path, xml_path))
random.shuffle(path_list)
ratio = 0.9train_f = open('/home/aistudio/work/train.txt','w') 
val_f = open('/home/aistudio/work/val.txt' ,'w')for i ,content in enumerate(path_list):
    img, xml = content
    text = img + ' ' + xml + '\n'
    if i < len(path_list) * ratio:
        train_f.write(text)    else:
        val_f.write(text)
train_f.close()
val_f.close()#生成标签文档label = ['fire']with open('/home/aistudio/work/label_list.txt', 'w') as f:    for text in label:
        f.write(text+'\n')

%cd PaddleDetection

4 模型训练

新版本的PaddleDetection中训练方式依旧延续了之前的形式，用户在选择好模型后，只需要改动对应的配置文件后，只需要运行train.py文件，即可实现训练，但是在新的版本中，配置文件采用了更加耦合的设计

本项目中，使用YOLOv3模型里的yolov3_mobilenet_v3_large_ssld_270e_voc.yml进行训练

4.1配置文件示例

我们使用configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml配置进行训练。 在PaddleDetection2.0中，采用了模块解耦设计，用户可以组合配置模块实现检测器，并可自由修改覆盖各模块配置

Change Style AI

多风格照片生成器！AI生成30种照片

下载

4.2配置文件详细说明

从上图看到yolov3_mobilenet_v3_large_ssld_270e_voc.yml配置需要依赖其他的配置文件。在该例子中需要依赖：

  '../datasets/voc.yml',  '../runtime.yml',  '_base_/optimizer_270e.yml',  '_base_/yolov3_mobilenet_v3_large.yml',  '_base_/yolov3_reader.yml',

  '_base_/optimizer_270e.yml',主要说明了学习率和优化器的配置。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。  '../datasets/voc.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)  '_base_/yolov3_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  '_base_/yolov3_mobilenet_v3_large.yml',主要说明模型、和主干网络的情况说明。  '../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

4.3执行训练

执行下面命令开始进行训练

!python tools/train.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml --eval --use_vdl=True --vdl_log_dir="./output"

4.4效果可视化

当打开use_vdl开关后，PaddleDetection会将训练过程中的数据写入VisualDL文件，可实时查看训练过程中的日志。记录的数据包括：

1. loss变化趋势
2. mAP变化趋势

使用如下命令启动VisualDL查看日志

# 下述命令会在127.0.0.1上启动一个服务，支持通过前端web页面查看，可以通过--host这个参数指定实际ip地址visualdl --logdir output/

在浏览器输入提示的网址，效果如下：

5 模型评估和预测

5.1 模型评估

python -u tools/eval.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml \
-o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams

!python -u tools/eval.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml  -o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams

5.2 模型预测

在执行tools/infer.py后，在output文件夹下会生成对应的预测结果

python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml \  
-o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams \
--infer_img=dataset/113.jpg

!python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml -o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams --infer_img=dataset/113.jpg

• 结果展示

原图

预测图