目录

• 一. 环境安装
• • 1.1 PaddlePaddle-gpu安装
  • 1.2 PaddleX安装
• 二. 快速训练
• • 2.1 准备数据集
  • 2.2 定义图像预处理与数据增强
  • 2.3 定义并装载数据
  • 2.4 开始训练
  • 2.5 使用Visual查看训练情况
• 三. 部署推理
• • 3.1 模型加载预测

PaddleX官方文档(以图像分类为例)：PaddleX/docs/quick_start_API.md

硬件配置：
CPU：AMD 5800
GPU：NVIDIA GTX1080Ti
操作平台：Windows10 系统

一. 环境安装

1.1 PaddlePaddle-gpu安装

使用PaddleX前需要先安装paddlepaddle-gpu 或者 paddlepaddle(版本大于或等于2.2.0)，安装方式(以CUDA10.2为例)：
paddlepaddle-gpu：

# CUDA 10.2pip install paddlepaddle-gpu==2.2.2 -i https://mirror.baidu.com/pypi/simple

paddlepaddle(cpu版):

# CPU onlypython -m pip install paddlepaddle==2.2.2 -i https://mirror.baidu.com/pypi/simple

1.2 PaddleX安装

安装PaddleX依赖pycocotools包：

pip install cython pip install pycocotools

如果win10 已经安装了Visual Studio，则需要先在Visual Studio上安装VC build tools，具体需要先打开Visual Studio installer，然后选择C++桌面开发，如图所示：

如果没有安装Visual Studio，可以单独安装VC build tools：
点击下载VC build tools

VC build tools’安装完毕后,重新打开新的终端命令窗口,再执行如下pip命令：

pip install cythonpip install git+https://gitee.com/jiangjiajun/philferriere-cocoapi.git#subdirectory=PythonAPI

如果未报错则表明安装完毕。

二. 快速训练

2.1 准备数据集

准备数据集，这里以蔬菜分类数据为例，先下载数据, Linux直接在终端输入：

wget https://bj.bcebos.com/paddlex/datasets/vegetables_cls.tar.gztar xzvf vegetables_cls.tar.gz

Win10可以把URL复制下来在浏览器下载，下载后的数据集目录格式如下：

2.2 定义图像预处理与数据增强

数据增强部分可以自由选择增强方式，这里使用随机裁剪和随机水平翻转两种脏强方式：

from paddlex import transforms as Ttrain_transforms = T.Compose([T.RandomCrop(crop_size=224),T.RandomHorizontalFlip(),T.Normalize()])eval_transforms = T.Compose([T.ResizeByShort(short_size=256),T.CenterCrop(crop_size=224),T.Normalize()])

2.3 定义并装载数据

定义数据读取路径，pdx.datasets.ImageNet表示读取ImageNet格式的分类数据集：

train_dataset = pdx.datasets.ImageNet(data_dir='vegetables_cls',file_list='vegetables_cls/train_list.txt',label_list='vegetables_cls/labels.txt',transforms=train_transforms,shuffle=True)eval_dataset = pdx.datasets.ImageNet(data_dir='vegetables_cls',file_list='vegetables_cls/val_list.txt',label_list='vegetables_cls/labels.txt',transforms=eval_transforms)

2.4 开始训练

加载MobileNetV3预训练模型开始微调训练，所选的预训练模型可以更改(PaddleX 图像分类模型API)：

num_classes = len(train_dataset.labels)model = pdx.cls.MobileNetV3_small(num_classes=num_classes)model.train(num_epochs=10,train_dataset=train_dataset,train_batch_size=32,eval_dataset=eval_dataset,lr_decay_epochs=[4, 6, 8],save_dir='output/mobilenetv3_small',use_vdl=True)

2.5 使用Visual查看训练情况

进入虚拟环境后，命令行输入：

visualdl --logdir output/mobilenetv3_small --port 8001

启动visualdl，根据生成的URL进入到训练可视化网页：

三. 部署推理

3.1 模型加载预测

模型在训练过程中，会每间隔一定轮数保存一次模型，在验证集上评估效果最好的一轮会保存在save_dir目录下的best_model文件夹。通过如下方式可加载模型，进行预测：

import paddlex as pdxmodel = pdx.load_model('output/mobilenetv3_small/best_model')result = model.predict('vegetables_cls/bocai/100.jpg')print("Predict Result: ", result)