准备工作:
使用提供好的终端环境，https://aistudio.baidu.com/aistudio/projectdetail/992474
链接为作业要求
1.在work目录下解压PaddleDetection文件 unzip PaddleDetection.zip
已经内置好了训练需要的configs文件，在work目录下，unzip hw_configs.zip
5种内置yml文件
2.在PaddleDetection目录下 安装依赖环境
pip install -r requirements.txt
其中内置了许多的api
work/PaddleDetection/tools/train.py 就是用来训练的 eval.py就是用来评估的 infer.py做预测
选用work/hw_configs/yolov3_mobilenet_v1_roadsign_coco_template.yml，可以查看相关配置信息
路径信息，评估指标，输出 bizasize
训练使用tools下面的train.py --help查看帮助信息 -o 优先级高，会覆盖configs中的参数 --eval 是否开启训练中的评估
需要准备训练使用的文件，对文件进行复制后解压
cp ~/data/data49531/roadsign_voc.tar .
tar -xvf roadsign_voc.tar
rm -rf roadsign_voc.tar
dataset/roadsign_voc中有数据文件 需要进行复制
dataset/roadsign_voc目录下，拷贝数据 cp ~/data/data49531/roadsign_voc.tar
再进行解压 tar -xf roadsign_voc.tar
查看当前目录下文件 ls 有了图像image 和其他信息如标注信息
训练
1.在PaddleDetection目录下进行训练
python tools/train.py -c ../hw_configs/yolov3_mobilenet_v1_roadsign_coco_template.yml 后面加 ^C 当前语句不先执行
python tools/train.py -c ../hw_configs/yolov3_mobilenet_v1_roadsign_coco_template.yml -o use_gpu=true
在训练的时候后面加 --eval直接进行评估
采用coco数据yolov3_mobilenet_v1进行训练，coco总共80类，本次训练4类 输出loss（损失） ，lr（学习率），eta（剩余时间）
模型相关的文件在model文件夹下
训练出的文件save model to output/yolov3_mobilenet_v1_roadsign_coco_template/1000
格式为 output/yolov3_mobilenet_v1_roadsign_coco_template/600
2.使用模型进行评估
评估的操作总是会报错，偶尔可以成功
还是在PaddleDetection目录下
python tools/eval.py -c ../hw_configs/yolov3_mobilenet_v1_roadsign_coco_template.yml -o weights=ouput/yolov3_mobilenet_v1_roadsign_coco_template/1000
work/PaddleDetection/output/yolov3_mobilenet_v1_roadsign_voc_template
3.预测
python tools/infer.py -c ../hw_configs/yolov3_mobilenet_v1_roadsign_coco_template.yml -o weights=output/yolov3_mobilenet_v1_roadsign_coco_template/1000 --infer_img=dataset/roadsign_voc/images/road554.png