转自AI Studio，原文链接：夏天就要到了，一起找个游泳池清凉一夏 - 飞桨AI Studio

基于PaddleX2.0的卫星图像游泳池检测

一、项目背景

夏天就要到了，炎热的夏天没个泳池怎么能行。这里介绍一种通过PaddleX2.0-PicoDet目标检测模型来快速在地图上找游泳池的方法。

二、PaddleX 介绍

PaddleX 集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，并提供统一任务API接口及图形化开发界面Demo。开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个行业实际应用场景验证，沉淀产业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。

模型丰富: 包含目标检测、实例分割、人脸检测、关键点检测、多目标跟踪等250+个预训练模型，涵盖多种全球竞赛冠军方案。

使用简洁： 模块化设计，解耦各个网络组件，开发者轻松搭建、试用各种检测模型及优化策略，快速得到高性能、定制化的算法。

端到端打通: 从数据增强、组网、训练、压缩、部署端到端打通，并完备支持云端/边缘端多架构、多设备部署。

高性能: 基于飞桨的高性能内核，模型训练速度及显存占用优势明显。支持FP16训练, 支持多机训练。 

三、PP-PicoDet算法介绍

百度研发团队提出的全新轻量级系列模型PP-PicoDet，在移动端具有卓越的性能，成为全新SOTA轻量级模型。详细的技术细节可以参考我们的arXiv技术报告。

PP-PicoDet模型有如下特点：

• 🌟 更高的mAP: 第一个在1M参数量之内mAP(0.5:0.95)超越30+(输入416像素时)。
• 🚀 更快的预测速度: 网络预测在ARM CPU下可达150FPS。
• 😊 部署友好: 支持PaddleLite/MNN/NCNN/OpenVINO等预测库，支持转出ONNX，提供了C++/Python/Android的demo。
• 😍 先进的算法: 我们在现有SOTA算法中进行了创新, 包括：ESNet, CSP-PAN, SimOTA等等。目前

2.数据格式

目前PP-PicoDet支持 VOC 和 COCO 两种格式，可根据需要选择。

3.基线

更多的配置

注意事项:

• 时延测试： 我们所有的模型都在骁龙865(4xA77+4xA55) 上测试(4线程，FP16预测)。上面表格中标有NCNN的是使用NCNN库测试，标有Lite的是使用Paddle Lite进行测试。 测试的benchmark脚本来自: MobileDetBenchmark。
• PicoDet在COCO train2017上训练，并且在COCO val2017上进行验证。
• PicoDet使用4卡GPU训练(PicoDet-L-640使用8卡训练)，并且所有的模型都是通过发布的默认配置训练得到。

其他模型的基线

四、项目具体内容

该项目内容主要包括环境的配置，数据的准备，配置文件的修改，模型训练，模型评估，模型推理测试等

In [ ]

!unzip -oq /home/aistudio/data/data147252/Annotations.zip -d work/

4.1环境配置

安装PaddleX的依赖,这里使用的Paddle版本为paddlepaddle-gpu2.3

In [1]

!pip install paddlex

4.2划分数据集

由于相关的数据集较少，数据集里面包括156张包含泳池的卫星图像图片，使用Labelme进行标注，生成voc格式数据集。

只需要下面一行代码就可以将数据集进行划分

In [ ]

!paddlex --split_dataset --format voc --dataset_dir work/ --val_value 0.2

2022-05-18 11:24:42 [INFO]	Dataset split starts...
2022-05-18 11:24:42 [INFO]	Dataset split done.
2022-05-18 11:24:42 [INFO]	Train samples: 125
2022-05-18 11:24:42 [INFO]	Eval samples: 31
2022-05-18 11:24:42 [INFO]	Test samples: 0
2022-05-18 11:24:42 [INFO]	Split files saved in work/

4.3开始训练

In [ ]

import paddlex as pdx
from paddlex import transforms as T# 定义训练和验证时的transforms
# API说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/transforms/transforms.md
train_transforms = T.Compose([T.RandomCrop(), T.RandomHorizontalFlip(), T.RandomDistort(),T.BatchRandomResize(target_sizes=[576, 608, 640, 672, 704], interp='RANDOM'), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])eval_transforms = T.Compose([T.Resize(target_size=640, interp='CUBIC'), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])# 定义训练和验证所用的数据集
# API说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/datasets.md
train_dataset = pdx.datasets.VOCDetection(data_dir='work/',file_list='work/train_list.txt',label_list='work/labels.txt',transforms=train_transforms,shuffle=True)eval_dataset = pdx.datasets.VOCDetection(data_dir='work/',file_list='work/val_list.txt',label_list='work/labels.txt',transforms=eval_transforms,shuffle=False)# 初始化模型，并进行训练
# 可使用VisualDL查看训练指标，参考https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/visualdl.md
num_classes = len(train_dataset.labels)
model = pdx.det.PicoDet(num_classes=num_classes, backbone='ESNet_l')# API说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/models/detection.md
# 各参数介绍与调整说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/parameters.md
model.train(num_epochs=100,train_dataset=train_dataset,train_batch_size=16,eval_dataset=eval_dataset,pretrain_weights='COCO',learning_rate=.01,warmup_steps=24,warmup_start_lr=0.005,save_interval_epochs=1,lr_decay_epochs=[6, 8, 11],use_ema=True,save_dir='output/picodet_esnet_l',use_vdl=True)

2022-05-18 11:36:13 [INFO]	Start to evaluate(total_samples=31, total_steps=31)...
2022-05-18 11:36:15 [INFO]	Accumulating evaluatation results...
2022-05-18 11:36:15 [INFO]	[EVAL] Finished, Epoch=100, bbox_map=98.818871 .
2022-05-18 11:36:15 [INFO]	Current evaluated best model on eval_dataset is epoch_53, bbox_map=99.45796500418349
2022-05-18 11:36:15 [INFO]	Model saved in output/picodet_esnet_l/epoch_100.

4.4训练结果可视化

最终训练结果map=98.82，训练的效果非常不错

4.5模型测试

使用模型进行预测，同时使用pdx.det.visualize将结果可视化，可视化结果将保存到./output/picodet_esnet_l下，其中threshold代表Box的置信度阈值，将Box置信度低于该阈值的框过滤不进行可视化。

In [2]

import paddlex as pdx
model = pdx.load_model('output/picodet_esnet_l/best_model')
image_name = 'work/31.jpg'
result = model.predict(image_name)
pdx.det.visualize(image_name, result, threshold=0.5, save_dir='./output/')

4.6模型测试结果可视化

通过预测结果可以发现模型很好地检测出了游泳池

五、项目总结

1、PaddleX2.0将强大的目标检测算法PicoDet集成在内，大大方便了开发者的模型训练，本项目提供的Baseline很好地展示了这一强大功能，非常推荐各位小伙伴使用！

2、在模型部署方面，PaddleX2.0同样提供了C++ inference部署方案，在GitHub中提供了C#部署Demo，欢迎大家学习参考https://github.com/PaddlePaddle/PaddleX

请点击此处查看本环境基本用法.
Please click here for more detailed instructions.

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！