如何用PaddleDetection做一个完整的目标检测项目

百度AI

用AI让复杂的世界更简单

PaddleDetection 是百度飞桨推出的物体检测统一框架。支持现有的RCNN、SSD、YOLO等系列模型、支持 ResNet、ResNet-VD、ResNeXt、ResNeXt-VD、SENet、MobileNet、DarkNet等主干网络。针对不同的业务场景（性能、目标大小、准确率等）可以选择框架中的不同模块组合得到最适合的模型，实现任务。相比于tensorflow的Object_Detection,优势之一就是将YOLOv3这一目标检测的快速算法融合到了框架下。

文章将以一个Yolov3识别水果的例子为说明，详解如何利用PaddleDetection完成一个项目。

项目用到的工具硬件：Win10(RTX2060)笔记本、某品牌服务器（4*T4）工业相机（Hikvision）软件：pycharm、VS2019。

目录：

环境部署
数据集准备
训练
训练过程可视化
模型导出
python进行单张/多张图片的预测
python+qt（给客户的演示demo）
C++进行单张预测（含编译简介）
C++预测代码封装成DLL、配合C#完成一个整体项目
扩展：关于PaddlePaddle代码数据读取的方式。

01.环境部署

1.1 安装PaddlePaddle

利用anaconda创建一个名字叫做paddle-detection的Paddle环境（备注：下文中命令提示窗口出现的（paddle）是指该项目环境的名称叫做paddle）。安装链接如下： https://www. paddlepaddle.org.cn/ins tall/quick

1.2 安装COCO-API

1 pip install Cython
2 pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

1.3 选择一个文件夹，下载PaddleDetection

第一种方式：直接从github官网上进行下载：

https:// github.com/PaddlePaddle /PaddleDetection

第二种方式：使用git进行下载：

1 git clone https://github.com/PaddlePaddle/PaddleDetection.git

1.4 安装所需的Python其他依赖库

依赖库文档在requirements.txt中给出，可使用

1 pip install -r requirements.txt

如下图所示是requirements.txt文档中的内容。

如图为requirements文件中的内容，图中所示的均为PaddleDetection的依赖库。

在下图所示内容中打“cmd”，然后出现在该路径的命令提示符。

激活环境，并且 pip install -r requirements.txt

然后运行

当显示Successfully…… ，基本上表示安装完成了，具体是否成功，下一步的测试验证。

1.5 确认测试通过

1 set PYTHONPATH=`pwd`:$PYTHONPATH
2 python ppdet/modeling/tests/test_architectures.py

但是发现运行报错，报错内容如下：

错误提示发现缺少“ppdet”这个模块，ppdet（其实就是paddle detection的一个缩写），但是我找到 ppdet/modeling/tests/test_architectures.py这个文件，然后添加红框所示的代码

出现如图所示的代码，表示运行成功。

至此，所有的运行环境已经配置成功。

02.数据集的准备

2.1 数据标注：

目前项目使用的数据集格式是VOC数据格式，使用labelimg作为标注工具，标注工具的下载安装见链接： https:// zhuanlan.zhihu.com/p/97 807042

特别说明：项目中使用的数据集是PaddleDetection提供的演示示例数据集，下文将通过使用该数据首先，下载该数据集，

下载地址： https:// pan.baidu.com/wap/init? surl=ZO8OlqvWuMk_sqOwlo56rg

提取码：vw3b

下载后如下图所示：

标注方式如下：

打开软件，并导入图片：

选取标注文件的保存路径：

点击Change Save Dir ，然后将标注文件保存在某一个路径下。

开始标注：点击Create\nRectBo---框选目标--命名（下图中命名为apple）--点击OK---点击Save（完成)

所有标注完成以后会生成很多的xml文件。

打开一个xml文件：

具体信息如下：

2.2 创建VOC数据集格式

其中Annotations存放标注生成的xml文件，JPEGImage存放图片，ImageSets存放对训练集和

备注：train.txt、val.txt是根据下文中代码（该代码会命名为：get_list.py，放置在了数据集链接的文字

接上文所述，是生成生成train.txt、val.txt的代码，该代码会将300张水果图片分成240张训练

1   import os
2   import random
4   train_precent=0.7
5   xml="C:/Users/zhili/Desktop/fruit-detection/Annotations"
6   save="C:/Users/zhili/Desktop/fruit-detection/ImageSets/Main"
7   total_xml=os.listdir(xml)
9   num=len(total_xml)
10  tr=int(num*train_precent)
11  train=range(0,tr)
13  ftrain=open("C:/Users/zhili/Desktop/fruit-detection/ImageSets/Main/train.txt","w")
14  ftest=open("C:/Users/zhili/Desktop/fruit-detection/ImageSets/Main/test.txt","w")
16  for i in range(num):
17      name=total_xml[i][:-4]+"\n"
18      if i in train:
19          ftrain.write(name)
20      else:
21          ftest.write(name)
22  ftrain.close()
23  ftest.close()

如下图是生成的train文件。

备注：在Main文件夹中生成的train.txt文件和val.txt文件仅仅是对数据集的划分，还需要进一步的利用

1   import os
2   import os.path as osp
3   import re
4   import random
6   devkit_dir = './'
7   years = ['2007', '2012']
10  def get_dir(devkit_dir,  type):
11      return osp.join(devkit_dir, type)
14  def walk_dir(devkit_dir):
15      filelist_dir = get_dir(devkit_dir, 'ImageSets/Main')
16      annotation_dir = get_dir(devkit_dir, 'Annotations')
17      img_dir = get_dir(devkit_dir, 'JPEGImages')
18      trainval_list = []
19      test_list = []
20      added = set()
22      for _, _, files in os.walk(filelist_dir):
23         for fname in files:
24             img_ann_list = []
25             if re.match('train\.txt', fname):
26                 img_ann_list = trainval_list
27                 elif re.match('val\.txt', fname):
28                     img_ann_list = test_list
29                 else:
30                     continue
31                 fpath = osp.join(filelist_dir, fname)
32                 for line in open(fpath):
33                     name_prefix = line.strip().split()[0]
34                     if name_prefix in added:
35                         continue
36                     added.add(name_prefix)
37                     ann_path = osp.join(annotation_dir, name_prefix + '.xml')
38                     img_path = osp.join(img_dir, name_prefix + '.jpg')
39                     assert os.path.isfile(ann_path), 'file %s not found.' % ann_path
40                     assert os.path.isfile(img_path), 'file %s not found.' % img_path
41                     img_ann_list.append((img_path, ann_path))
43      return trainval_list, test_list
46 def prepare_filelist(devkit_dir, output_dir):
47     trainval_list = []
48     test_list = []
49     trainval, test = walk_dir(devkit_dir)
50     trainval_list.extend(trainval)
51     test_list.extend(test)
52     random.shuffle(trainval_list)
53     with open(osp.join(output_dir, 'train.txt'), 'w') as ftrainval:
54         for item in trainval_list:
55             ftrainval.write(item[0] + ' ' + item[1] + '\n')
57     with open(osp.join(output_dir, 'val.txt'), 'w') as ftest:
58         for item in test_list:
59             ftest.write(item[0] + ' ' + item[1] + '\n')