系列文章:如何利用PaddleDetection做一个完整的项目（一）

富土康一号质检员

开眼看世界

0PaddleDetection简介

PaddleDetection 是PaddlePaddle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）可以调用框架下的不同参数（或者是参数文件），实现任务。相比于tensorflow的Object_Detection,优势之一就是将YOLO这一目标检测的快速算法融合到了框架下。

文章将以一个例子为说明，来谈如何利用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

文章结构如下，本文章将介绍1-6

1、环境部署

2、数据集准备

3、训练

4、训练过程可视化

5、模型导出

6、python进行单张/多张图片的预测

7、python+qt（给客户的演示demo）

8、C++进行单张预测（含编译简介）

9、C++预测代码封装成DLL、配合C#完成一个整体项目

10、扩展：关于PaddlePaddle代码数据读取的方式。

1环境部署

1.1安装paddle

利用anaconda创建一个名字叫做anaconda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）具体安装方式见如下链接

1.2安装COCO-API

pip install Cython 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：git clone

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Paddle Detection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

set PYTHONPATH=`pwd`:$PYTHONPATH python ppdet/modeling/tests/test_architectures.py ###备注：在paddle自带的文档中为export PYTHONPATH=`pwd`:$PYTHONPATH export是linux下的用法，在windows下将exoprt改成set

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），但是我们在项目的路径里面可以发现有这个模块，原因就是，我们的代码所在的路径无法读取到该文件下的代码，因此，我们需要在代码中进行改进一下。

找到 ppdet/modeling/tests/test_architectures.py这个文件，然后添加红框所示的代码。备注，第二个红框里面的路径是我的项目路径

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。

2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如下链接

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集来说明。

首先，下载该数据集，下载后如下图所示：下载链接，提取码：vw3b 。

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（完成一张）--点击Next Image 标注下一张。

所有标注完成以后会生成很多的xml文件。

标注后的xml文件列表

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存放对训练集和数据集的划分。ImageSet下有Main文件，Mian下需要建立一个label_list.txt。label_list.txt是指标注的目标的名称。其内容如下：

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件里面）生成，分别是对训练集和验证集的划分接上文所述，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张训练集和60张验证集。

import os import random train_precent=0.8 xml="C:/Users/zhili/Desktop/fruit-detection/Annotations" save="C:/Users/zhili/Desktop/fruit-detection/ImageSets/Main" total_xml=os.listdir(xml) num=len(total_xml) tr=int(num*train_precent) train=range(0,tr) ftrain=open("C:/Users/zhili/Desktop/fruit-detection/ImageSets/Main/train.txt","w") ftest=open("C:/Users/zhili/Desktop/fruit-detection/ImageSets/Main/test.txt","w") for i in range(num): name=total_xml[i][:-4]+"\n" if i in train: ftrain.write(name) else: ftest.write(name) ftrain.close() 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如下代码（create_list.py，该代码是paddle提供的）生成含有路径信息以及图像和xml文件一一对应的文件。

import os import os.path as osp import re import random devkit_dir = './' years = ['2007', '2012'] def get_dir(devkit_dir, type): return osp.join(devkit_dir, type) def walk_dir(devkit_dir): filelist_dir = get_dir(devkit_dir, 'ImageSets/Main') annotation_dir = get_dir(devkit_dir, 'Annotations') img_dir = get_dir(devkit_dir, 'JPEGImages') trainval_list = [] test_list = [] added = set() for _, _, files in os.walk(filelist_dir): for fname in files: img_ann_list = [] if re.match('train\.txt', fname): img_ann_list = trainval_list elif re.match('val\.txt', fname): img_ann_list = test_list else: continue fpath = osp.join(filelist_dir, fname) for line in open(fpath): name_prefix = line.strip().split()[0] if name_prefix in added: continue added.add(name_prefix) ann_path = osp.join(annotation_dir, name_prefix + '.xml') img_path = osp.join(img_dir, name_prefix + '.jpg') assert os.path.isfile(ann_path), 'file %s not found.' % ann_path assert os.path.isfile(img_path), 'file %s not found.' % img_path img_ann_list.append((img_path, ann_path)) return trainval_list, test_list def prepare_filelist(devkit_dir, output_dir): trainval_list = [] test_list = [] trainval, test = walk_dir(devkit_dir) trainval_list.extend(trainval) test_list.extend(test) random.shuffle(trainval_list) with open(osp.join(output_dir, 'train.txt'), 'w') as ftrainval: for item in trainval_list: ftrainval.write(item[0] + ' ' + item[1] + '\n') with open(osp.join(output_dir, 'val.txt'), 'w') as ftest: for item in test_list: