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
3.准备数据集
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
runtime.yml
optimizer_300e.yml 和 yolov3_cspdarknet.yml 无需进行修改,默认即可!
yolox_reader.yml
4.开始训练
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
Questions:配置源码训练时实际遇到的一些问题
1.报错:UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0x98 in position 1093: illegal multibyte sequence
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。
更多推荐
利用PaddleDetection 训练自定义COCO数据集进行目标检测
发布评论