【第十五届中国计算机设计大赛】智慧导盲组，手把手教你超越0.8

本文介绍了基于PaddleDetection的目标检测项目流程，包括克隆仓库、安装依赖、编译安装等步骤。还涵盖数据集准备，如查看COCO标注、解压和配置数据集，以及模型训练、预测、导出，最后说明代码提交及优化方法，如调整阈值等。

一、安装PaddleDetection

In [ ]

# 克隆PaddleDetection仓库# 如果已经克隆，则不需要重复运行，可把第3行直接注释，从第6行开始运行!git clone https://gitee.com/PaddlePaddle/PaddleDetection.git# 安装其他依赖%cd PaddleDetection
!pip install -r requirements.txt# 编译安装paddledet!python setup.py install
%cd ~

   

二、数据集准备

1、数据标注查看

本次比赛为大家提供了COCO格式的数据集。

COCO数据标注是将所有训练图像的标注都存放到一个json文件中。数据以字典嵌套的形式存放。

json文件中包含以下key：

• info，表示标注文件info。
• licenses，表示标注文件licenses。
• images，表示标注文件中图像信息列表，每个元素是一张图像的信息。
• annotations，表示标注文件中目标物体的标注信息列表，每个元素是一个目标物体的标注信息。

In [1]

# 查看COCO标注文件import json
coco_anno = json.load(open('WisdomGuide/annotations/instance_train.json'))# coco_anno.keysprint('\nkeys:', coco_anno.keys())# 查看类别信息print('\n物体类别:', coco_anno['categories'])# 查看一共多少张图print('\n图像数量：', len(coco_anno['images']))# 查看一共多少个目标物体print('\n标注物体数量：', len(coco_anno['annotations']))# 查看一条目标物体标注信息print('\n查看一条目标物体标注信息：', coco_anno['annotations'][0])

       

keys: dict_keys(['images', 'categories', 'annotations'])

物体类别: [{'supercategory': 'component', 'id': 1, 'name': 'blind_path'}, {'supercategory': 'component', 'id': 2, 'name': 'green_light'}, {'supercategory': 'component', 'id': 3, 'name': 'block'}, {'supercategory': 'component', 'id': 4, 'name': 'no_light'}, {'supercategory': 'component', 'id': 5, 'name': 'red_light'}]

图像数量： 7995

标注物体数量： 25265

查看一条目标物体标注信息： {'segmentation': [[3.0, 2.5380710659898478, 3.0, 479.0, 357.11167512690355, 479.0, 357.11167512690355, 2.5380710659898478]], 'iscrowd': 0, 'image_id': 1, 'bbox': [3.0, 2.5380710659898478, 354.11167512690355, 476.46192893401013], 'area': 168720.731789018, 'category_id': 1, 'id': 1}

       

2、解压数据集

In [2]

# 解压数据集!gzip -dfq /home/aistudio/data/data137625/WisdomGuide.tar.gz
!tar -xf /home/aistudio/data/data137625/WisdomGuide.tar -C /home/aistudio/ #把数据集移到/home/aistudio下面

   

3、配置数据集

注意：生成版本，由于PaddleDetection文件夹下的文件较多，无法保存，因此数据集的配置文件需要我们自行配置

在PaddleDetection/configs/datasets/路径下新建一个coco_dog.yml文件，并配置数据集格式、类别、加载路径等信息：

metric: COCOnum_classes: 5TrainDataset:
  !COCODataSet
    image_dir: train
    anno_path: annotations/instance_train.json
    dataset_dir: /home/aistudio/WisdomGuide/
    data_fields: ['image', 'gt_bbox', 'gt_class', 'is_crowd']EvalDataset:
  !COCODataSet
    image_dir: val
    anno_path: annotations/instance_val.json
    dataset_dir: /home/aistudio/WisdomGuide/TestDataset:
  !ImageFolder
    ! anno_path: annotations/instance_val.json
    image_dir: val
    dataset_dir: /home/aistudio/WisdomGuide/

   

三、模型训练

Baseline选择的模型是PP-Picodet,本项目就继续使用PP-Picodet，在Baseline的基础上进行微调

1.训练配置

在正式开始训练前，我们需要选择配置文件，并修改参数

       

将PaddleDetection/configs/picodet/picodet_m_320_coco_lcnet.yml里的数据集配置改成我们前面自己新建的数据集配置，也就是coco_dog.yml

2、模型训练

注意:数据集配置一定要改为前面我们自行配置的

In [ ]

# 模型训练%cd ~
%cd PaddleDetection
!python tools/train.py -c configs/picodet/picodet_m_320_coco_lcnet.yml

   

如果需要更换模型，直接在上述代码中修改路径即可，注意：更换模型时，检查数据集是不是我们要用的数据集。

如果训练时，突然中断了，需要恢复训练，使用-r参数，后面加上模型路径即可

例：!python tools/train.py -c configs/picodet/picodet_m_320_coco_lcnet.yml -r -r output/picodet_m_320_coco_lcnet/best_model

想要边训练边评估，末尾加 --eval 即可

例：!python tools/train.py -c configs/picodet/picodet_m_320_coco_lcnet.yml --eval

训练时的日志输出已单独保存在vdl_log_dir/scalar/vdlrecords.1649487648.log

注意：以下代码运行，需等模型训练完成后

3.模型预测

训练好模型以后，我们可以检验一下效果。

In [ ]

%cd ~
%cd PaddleDetection# 更换"--infer_img"里的图片路径以预测不同的图片!python tools/infer.py -c configs/picodet/picodet_m_320_coco_lcnet.yml \
                    --infer_img=/home/aistudio/WisdomGuide/val/no_light_629.png \
                    --output_dir=infer_output/ \
                    --draw_threshold=0.5 \
                    -o weights=/home/aistudio/PaddleDetection/output/picodet_m_320_coco_lcnet/best_model.pdparams \
                    --use_vdl=Ture

   

       

4.导出模型

转换并保存静态图模型。

这里假设我们已经在线训练10小时，获得了模型

如果要生成版本，由于PaddleDetection文件夹下的文件较多，无法保存，故要把训练好的模型单独拿出来，例如放在/home/aistudio/checkpoint/best_model.pdparams。

In [ ]

%cd ~
%cd PaddleDetection# 将"-o weights"里的模型路径换成你自己训好的模型!export CUDA_VISIBLE_DEVICES=0!python tools/export_model.py -c configs/picodet/picodet_m_320_coco_lcnet.yml \
                    -o weights=/home/aistudio/PaddleDetection/output/picodet_m_320_coco_lcnet/best_model.pdparams \
                    TestReader.fuse_normalize=true

   

四、代码提交

这一步与Baseline操作基本一样

AI Studio上提供了一套测评系统，我们将训练好的模型和预测代码打包上传，测评系统会自动算分。

提交格式：

| -- model| | -- xxx.pb| | … 
| -- env| | -- 
| |…| -- predict.py| -- …

   

In [5]

%cd ~# 在work目录下整理提交代码# 创建model文件夹（已经创建好的话，就不用再创建了）!mkdir /home/aistudio/work/model# 将检测模型拷贝到model文件夹中!cp -r /home/aistudio/PaddleDetection/output_inference/picodet_m_320_coco_lcnet/ /home/aistudio/work/model/# 将训练脚本拷贝到work目录下，与model同级!cp /home/aistudio/PaddleDetection/tools/train.py /home/aistudio/work/# 将PaddleDetection也复制进来!cp -r /home/aistudio/PaddleDetection/ /home/aistudio/work/

       

/home/aistudio

       

这里为了让压缩包更小，建议把PaddleDetection里面不用的模型备份出来。特别地，隐藏文件.git占用存储空间较大，且在这里没有什么用，故可以手动删除。

In [9]

# 删除隐藏文件!rm -rf /home/aistudio/work/PaddleDetection/.git/

   

注意： 在打包前，请将work/PaddleDetection/deploy/python/preprocess.py的第17行改为：

from .keypoint_preprocess import get_affine_transform

       

否则会出现以下报错：

Traceback (most recent call last):
  File "predict.py", line 19, in <module>    from deploy.python.preprocess import preprocess, Resize, NormalizeImage, Permute, PadStride
  File "PaddleDetection/deploy/python/preprocess.py", line 17, in <module>    from keypoint_preprocess import get_affine_transform
ModuleNotFoundError: No module named 'keypoint_preprocess'

   

In [10]

# 打包代码%cd /home/aistudio/work/
!zip -r -q -o submission.zip model/ PaddleDetection/ train.py predict.py

       

/home/aistudio/work

       

在提交前，我们需要改动一下predict.py文件，这样我们才能上0.8 
       

我们把阈值参数由0.05改为0.5，就OK啦。

预选赛时，有不少同学说：我模型的预测效果比Baseline好，为啥提交后分数比Baseline低啊，原因就是这个。

阈值由Baselin的0.05改为0.5，我们就会获得巨大提升。

然后从aistudio上下载打包好的submission.zip文件，就可以直接到官网提交啦！现在预选赛的通道关闭了，我们可以在练习赛进行提交。

如果提交成功，就可以看到自己的分数了。

本项目在baseline基础上，将阈值改为0.5，结果在0.8之上。大家可以试试。

五、优化方法

1、尝试不同的阈值，找出最佳阈值。

修改阈值能够提升一点我们的得分，0.5对有些模型来说，不是最佳阈值，我们可以试试不同阈值提交，找到该模型的最佳阈值。

2、加大训练轮数

有些模型原始的配置轮数不是最大，我们可以将训练轮数加大到，该模型最大轮数，例如Picodet-m-416模型
       

最大轮数是300轮，最初设置是250轮，我们可以将轮数设置最大轮数300轮。

3、尝试不同的模型

尝试一下其他的模型，例如PP-YOLO，YOLOv3等，这里透露一下，PP-Picodet能上0.87

4、加载COCO数据集预训练模型，使用预训练模型可以有效提升模型精度

以Picodet-m-320为例： 修改Picodet_v2.yml中的pretrain_weights即可 
       

5、修改loss

将picodet_v2.yml中的lossbbox name值由GIoU改为DIou 
       

6、修改lr

降低学习率，尝试调整为一半或十分之一，亦或是其他学习率

以上就是一些通用的方法，非常基础外加非常简单，大家可以逐一尝试，或者觉得麻烦的话，一口气全部试在一个模型里面，模型训练完成后，通过智慧导盲练习赛进行得分验证。此外这些方法也可以在以后的一些比赛使用，屡试不爽。

或许还有一些其他不动网络的提升方法，但我并不知道，欢迎各位大佬补充

我在work目录下面放了一个导出的Picodet-m-320模型,大家把predict.py的阈值改改，复制PaddleDetion，打包进行提交，验证第一个方法。

以上就是【第十五届中国计算机设计大赛】智慧导盲组，手把手教你超越0.8的详细内容，更多请关注深圳推广【www.sztg.com.cn】。