基于百度AI Studio平台使用PaddleDetection 训练自己的数据集
PaddleDetection:传送门
1.下载并安装PaddlePaddle深度学习框架(AI Studio已经自动下载成压缩包)
进入AI Studio终端,查看当前所在路径，查看PaddlePaddle版本号。
2.下载并安装PaddleDetection目标检测开发套件库(AI Studio也有提供压缩包，解压开箱即可)
unzip PaddleDetection
3.从PaddleDetection 种找到需要的模型配置文件(AI Studio也有提供)
（如：work/hw_configs/yolov3_mobilenet_v1_roadsign_voc_template.yml）
一切就绪之后
4.进入到PaddleDetection文件目录下：cd PaddleDetection
5.可查看所包含的文件目录：ls
PaddleDetection中包含：
（1）configs：存放模型的配置文件
（2）dataset：存放自己的数据集，主要以Pascal VOC 和COCO数据集格式
（3）deploy：部署方案
（4）slim：模型的压缩、量化、裁剪、蒸馏
（5）ppdet：存放了各大主流的目标检测网络模型仓库
（6）tools：这个就是用户通过configs里的yml格式模型配置文件，来调用训练、验证、推理、部署的API库。如图：
6.在PaddleDetection下安装依赖文件：pip install -r requirements.txt
7.安装完依赖后，我们主要使用的是tools下的各种API，我们进入看一看：
（1）anchor_cluster.py：聚类生成anchor,如在自己的数据集上，YOLOv3使用KMeans聚类生成anchor锚定框的宽高。
（2）eval.py：验证模式
（3）export_serving_model.py：导出部署模型
（4）infer.py：前向推理模式，预测模式
（5）train_multi_machine.py：多卡GPU训练模式，如果切换成单卡GPU训练，这里的学习率等参数需要除以GPU快数
（6）x2coco.py:数据格式转换
（7）export_model.py:到处模式
（8）train.py:高频使用的训练模式
看完了蛤，那我们重点关注一下train.py。
8.运行python tools/train.py --help:查看具体API使用：
（1）-c：加载模型配置文件 c值config
（2）-o：加载模型训练保存的网络权重等
（3）–use_vdl：使用visualDL 可视化训练结果
（4）–vdl log_dir ：可视化日志
（5）–fp16
（6）–eval
（7）等等
9.PaddleDetection目标检测开发套件基本熟悉后，开始我们的训练，把准备好Pascal VOC 或者COCO数据集格式的数据集拷贝到PaddleDetection中的dataset中。
进入PaddleDetection/dataset的某数据文件下
将根目录下的数据压缩文件拷贝到进来，再解压，查看解压后的数据集
COCO数据集格式：
Images:存放原始RGB图片
Annotations：存放对应的标签，为json格式
laBel_list.txt 存放类别
Train.txt 或valid.txt ：存放训练集或者验证集的（原始图片绝对路径 标签路径）
10.万事俱备，我们开始开启训练。在PaddleDetection中的config配置文件中自选用于训练的目标检测网络模型的配置文件，这里以yolov3_mobilenet_v1_roadsign_voc_template.yml为例。
在终端上调用API,开始训练:
python tools/train.py -c …/hw_configs/yolov3_mobilenet_v1_roadsign_voc_template.yml -o use_gpu=true
训练的过程中，模型权重会自动保存在PaddleDetection output文件中
11.训练结束后，我们开启验证模式，判断我们训练的模型是否收敛或者过拟合，查看训练的map等。
python tools/eval.py -c …/hw_configs/yolov3_mobilenet_v1_roadsign_voc_template.yml -o weights=output/yolov3_mobilenet_v1_roadsign_voc_template/800
12.验证满意后，我们可以进行预测啦,预测的结果最后自动保存在PaddleDetection中的output文件夹中。
python tools/infer.py -c …/hw_configs/yolov3_mobilenet_v1_roadsign_voc_template.yml -o weights=output/yolov3_mobilenet_v1_roadsign_voc_template/800 --infer_img=dataset/roadsign_voc/images/road554.png
