原文博客：Doi技术团队
链接地址：https://blog.doiduoyi.com/authors/1584446358138
初心：记录优秀的Doi技术团队学习经历
本文链接：基于PaddlePaddle实现的目标检测模型PP-YOLO
PP-YOLO
PP-YOLO是PaddleDetection优化和改进的YOLOv3的模型，其精度(COCO数据集mAP)和推理速度均优于YOLOv4模型，PP-YOLO在COCO test-dev2017数据集上精度达到45.9%，在单卡V100上FP32推理速度为72.9 FPS, V100上开启TensorRT下FP16推理速度为155.6 FPS。
本教程源码地址：https://github.com/yeyupiaoling/PP-YOLO
训练
- 安装PaddlePaddle GPU版本，需要1.8.4以上。
python -m pip install paddlepaddle-gpu==1.8.4.post107 -i https://mirror.baidu.com/pypi/simple
- 安装ppdet，以及所需依赖包。
python setup.py
-
准备数据，默认使用的是VOC格式的数据集，如果要修改为COCO格式的数据集，需要修改
configs/ppyolo.yml。其中VOC格式操作如下，首先将标注文件放在dataset/annotation/，图像文件放在dataset/images/，最后执行create_data_list.py程序生成数据列表和类别名称。 -
修改
configs/ppyolo.yml中的类别数量num_classes，这个类别数量不用算上背景这一类别。 -
执行
train.py开始训练。
评估
执行eval.py完成模型评估，其中参数--weights为模型的路径，不需要带后缀名，--overlap_thresh为需要评分的阈值，执行之后输入如下，从输出可以知道当阈值为0.75时，mAP为90.75。
$ python eval.py --weights=save_models/model_final --overlap_thresh=0.75
2020-08-17 12:56:58,530-INFO: Test iter 0
2020-08-17 12:57:13,349-INFO: Test iter 100
2020-08-17 12:57:27,421-INFO: Test iter 200
2020-08-17 12:57:36,716-INFO: Test finish iter 268
2020-08-17 12:57:36,716-INFO: Total number of images: 1070, inference time: 27.43800773116421 fps.
2020-08-17 12:57:36,717-INFO: Start evaluate...
2020-08-17 12:57:36,999-INFO: Accumulating evaluatation results...
2020-08-17 12:57:37,017-INFO: mAP(0.75, 11point) = 90.75
预测
- 执行预测执行先要导出预测模型，执行
export_model.py，其中参数--weights为模型的路径，不需要带后缀名，--output_dir输出预测模型的路径，文件目录结构如下。
$ python export_model.py --weights=save_models/model_final --output_dir=output/
$ tree output
output/
├── infer_cfg.yml
├── __model__
└── __params__
- 项目提供了两种预测方式，第一个
infer_path.py为使用图像路径进行预测，第二个infer_camera.py为调用摄像头进行实时预测。