MaochengHu 576cda45b8 first commit | 2 years ago | |
---|---|---|
.. | ||
images | 2 years ago | |
picodet | 2 years ago | |
ppyolo | 2 years ago | |
ppyoloe | 2 years ago | |
rcnn | 2 years ago | |
DataAnalysis.md | 2 years ago | |
README.md | 2 years ago |
PaddleSMRT (Paddle Sense Model Recommend Tool) 是飞桨结合产业落地经验推出的产业模型选型工具,在项目落地过程中,用户根据自身的实际情况,输入自己的需求,即可以得到对应在算法模型、部署硬件以及教程文档的信息。同时为了更加精准的推荐,增加了数据分析功能,用户上传自己的标注文件,系统可以自动分析数据特点,例如数据分布不均衡、小目标、密集型等,从而提供更加精准的模型以及优化策略,更好的符合场景的需求。
飞桨官网使用链接
本文档主要介绍PaddleSMRT在检测方向上是如何进行模型选型推荐,以及推荐模型的使用方法。分割方向模型介绍请参考文档
PaddleSMRT结合产业真实场景,通过比较检测算法效果,向用户推荐最适合的模型。目前PaddleSMRT覆盖工业质检、城市安防两大场景,下面介绍PaddleSMRT进行算法对比所使用的数据集
数据集为新能源电池电池组件质检数据集,包含15021张图片,包含22045个标注框,覆盖45种缺陷类型,例如掉胶,裂纹,划痕等。
新能源电池数据展示图:
数据集特点为:
数据集为铝件生产过程中的质检数据集,包含11293张图片,包含43157个标注框,覆盖5种缺陷类型,例如划伤,压伤,起皮等。
铝件质检数据展示图:
数据集特点为:
数据集包含2600张人工标注的两点anchor box标签。标签包括以下人和车的类别共22种: 其中行人包括普通行人、3D 假人、坐着的人、骑车的人;车辆包括两厢车、三厢车、小型客车、小货车、皮卡车、轻卡、厢式货车、牵引车、水泥车、工程车辆、校车、中小型客车、大型单层客车、小型电动车、摩托车、自行车、三轮车以及其它特殊车辆。
人车数据展示图:
数据集特点为:
说明:
数据集特点判断依据如下:
密集型数据集:
密集目标定义:周围目标距离小于自身大小两倍的个数大于2;
密集图片定义:密集目标个数占图片目标总数50%以上;
密集数据集定义:密集图片个数占总个数30%以上
为了更好的帮助用户选择模型,我们也提供了丰富的数据分析功能,用户只需要上传标注文件(不需要原图)即可了解数据特点分布和模型优化建议
通过模型选型工具会得到对应场景和数据特点的检测模型配置,例如PP-YOLOE
该配置文件的使用方法如下
首先需要安装PaddlePaddle
# CUDA10.2
pip install paddlepaddle-gpu==2.2.2 -i https://mirror.baidu.com/pypi/simple
# CPU
pip install paddlepaddle==2.2.2 -i https://mirror.baidu.com/pypi/simple
然后安装PaddleDetection和相关依赖
# 克隆PaddleDetection仓库
cd <path/to/clone/PaddleDetection>
git clone https://github.com/PaddlePaddle/PaddleDetection.git
# 安装其他依赖
cd PaddleDetection
pip install -r requirements.txt
详细安装文档请参考文档
用户需要准备训练数据集,建议标注文件使用COCO数据格式。如果使用lableme或者VOC数据格式,先使用格式转换脚本将标注格式转化为COCO,详细数据准备文档请参考文档
本文档以新能源电池工业质检子数据集为例展开,数据下载链接
数据储存格式如下:
battery_mini
├── annotations
│ ├── test.json
│ └── train.json
└── images
├── Board_daowen_101.png
├── Board_daowen_109.png
├── Board_daowen_117.png
...
使用经过模型选型工具推荐的模型进行训练,目前所推荐的模型均使用单卡训练,可以在训练的过程中进行评估,模型默认保存在./output
下
python tools/train.py -c configs/smrt/ppyoloe/ppyoloe_crn_m_300e_battery_1024.yml --eval
如果训练过程出现中断,可以使用-r命令恢复训练
python tools/train.py -c configs/smrt/ppyoloe/ppyoloe_crn_m_300e_battery_1024.yml --eval -r output/ppyoloe_crn_m_300e_battery_1024/9.pdparams
如果期望单独评估模型训练精度,可以使用tools/eval.py
python tools/eval.py -c configs/smrt/ppyoloe/ppyoloe_crn_m_300e_battery_1024.yml -o weights=output/ppyoloe_crn_m_300e_battery_1024/model_final.pdparams
完成训练后,可以使用tools/infer.py
可视化训练效果
python tools/infer.py -c configs/smrt/ppyoloe/ppyoloe_crn_m_300e_battery_1024.yml -o weights=output/ppyoloe_crn_m_300e_battery_1024/model_final.pdparams --infer_img=images/Board_diaojiao_1591.png
更多模型训练参数请参考文档
完成模型训练后,需要将模型部署到1080Ti,2080Ti或其他服务器设备上,使用Paddle Inference完成C++部署
首先需要将模型导出为部署时使用的模型和配置文件
python tools/export_model.py -c configs/smrt/ppyoloe/ppyoloe_crn_m_300e_battery_1024.yml -o weights=output/ppyoloe_crn_m_300e_battery_1024/model_final.pdparams
接下来可以使用PaddleDetection中的部署代码实现C++部署,详细步骤请参考文档
如果期望使用可视化界面的方式进行部署,可以参考下面部分的内容。
为了更方便大家部署,我们也提供了完备的可视化部署Demo,欢迎尝试使用
为了更方便大家更好的进行产业落地,PaddleSMRT也提供了详细的应用范例,欢迎大家使用。