Skip to main content
W&B Fully Connected
>
Articles

使用 PaddleDetection和W&B进行目标检测

了解如何使用PaddleDetection从头训练YOLOX模型，同时使用W&B记录所有指标和模型检查点
W&B Translations
Created on June 21|Last edited on August 14
本报告是作者Manan Goel所写的"Object Detection with PaddleDetection and W&B"的翻译


目录（点击展开）

PaddleDetection 简介

PaddleDetection 是一种基于 PaddlePaddle 的端到端目标检测开发工具包。它在模块化设计中采用了各种主流的目标检测、实例分割、追踪和关键点检测算法，具有可配置模块，如：网络组件、数据增强和损失等。
PaddleDetection现配备有内置W&B集成，可记录您的所有训练和验证指标，以及模型检查点及其相应元数据。
如果您想使用可运行代码跟学本教程，请查看下方的Colab链接!
COLAB链接
💡
在本教程中，我们将在 COCO2017数据集的一个子集上训练YOLOX模型。该数据集的训练集中包含1000张图片，验证集中包含250张图片。
您可通过以下两种方式为训练作业激活W&B记录器：
  • 命令行：W&B记录器参数前必须带有 -o，且每个参数必须使用前缀“wandb-”，且应该使用`--use_wandb`标记。
python tools/train -c config.yml --use_wandb -o wandb-project=MyDetector wandb-entity=MyTeam wandb-save_dir=./logs
  • YAML文件：将参数添加到配置YAML文件中wandb heade下，如下所示
wandb:
  project: MyProject
  entity: MyTeam
  save_dir: ./logs

完成设置

安装W&B SDK

首先我们来安装wandb SDK，然后登陆W&B 账户：
pip install wandb
wandb login

安装 PaddleDetection

我们接下来克隆 PaddleDetection库并从源安装程序包，因为其中还会包含一个训练脚本以及多种预实现的模型配置！
pip install paddlepaddle-gpu pyclipper attrdict gdown -qqq
git clone https://github.com/PaddlePaddle/PaddleDetection
cd PaddleDetection
pip install -e .

如何下载COCO数据集

我们首先来下载使用这一绝佳资源库创建的COCO 2017数据集子集。
数据集已被记录为W&BArtifact，故可轻松下载。其中包含 1000张用于训练的图像和250张用于验证的带相应标注的图像，现在我们将使用这些来训练目标检测模型。
artifact = wandb.Api().artifact("manan-goel/PaddleDetectionYOLOX/COCOSubset:latest")
path = artifact.download(root='./dataset/coco')

训练

训练模型

现在使用PaddleDetection库中的训练脚本来训练YOLOX模型。上面的配置在训练期间添加了W&B日志记录。同时我们还添加了 --eval 标记，以便每 5 个epoch进行一次评估步骤。

使用CLI

python tools/train.py -c configs/yolox/yolox_nano_300e_coco.yml --use_wandb -o wandb-project=PaddleDetectionYOLOX --eval

使用配置YAML文件

为了在训练计划安排中使用W&B自动启动实验追踪，可在配置YAML文件中加入以下代码片段，然后将其作为训练脚本的一个输入。
wandb:
  project: PaddleDetectionYOLOX
我们将编辑此文件供本节中使用。

可视化

追踪训练和验证指标

在训练期间，训练集和验证集的指标将像这样记录至W&B仪表板上：



追踪系统指标




从W&B下载最佳模型💾

模型检查点已被记录为W&B artifact，所以可使用以下代码片段下载以供评估。
import wandb
artifact = wandb.Api().artifact('manan-goel/PaddleDetectionYOLOX/model-26oqc38r:best', type='model')
artifact_dir = artifact.download()

图像测试

下面的代码段使用从W&B拉取的YOLOX模型对 demo 目录中的所有图像运行了 PaddleDetection 资源库中的推理脚本并将其存储在了 infer_output 目录中
for i in $(ls demo/*.jpg)
do
    python tools/infer.py -c configs/yolox/yolox_nano_300e_coco.yml \
                    --infer_img=$i \
                    --output_dir=infer_output/ \
                    --draw_threshold=0.5 \
                    -o weights=./artifacts/model-26oqc38r:v1/model
done
这将检索demo目录中的所有jpg文件，并使用下载的模型对其运行推理脚本并将标注图像存储在 infer_output 目录中。

奖励内容：在您的W&B仪表板中记录标注的图像 

import glob
import wandb

wandb.init(project="PaddleDetectionYOLOX")
wandb.use_artifact('manan-goel/PaddleDetectionYOLOX/model-26oqc38r:best')
table = wandb.Table(columns=["Input Image", "Annotated Image"])

inp_imgs = sorted(glob.glob("./demo/*.jpg"), key=lambda x: x.split("/")[-1])
out_imgs = sorted(glob.glob("./infer_output/*.jpg"), key=lambda x: x.split("/")[-1])

for inp in inp_imgs:
    for out in out_imgs:
        if out.split("/")[-1] != inp.split("/")[-1]:
            continue
        table.add_data(
            wandb.Image(inp),
            wandb.Image(out)
        )

wandb.log({
    "Predictions": table
})
wandb.finish()
上述脚本将把输入图像和标记图像记录到一个W&B表格中，样式大致如下


Run set
16


结论

本教程简要介绍了如何将W&B与PaddleDetection结合使用，为您目标检测模型开发的所有需求提供支持。请务必前往 Colab 看看本报告带有可执行代码的版本。

推荐阅读


Tags: Object Detection, COCO, YOLO, Computer Vision, Tutorial, Intermediate, Articles

Created with ❤️ on Weights & Biases.

https://wandb.ai/wandb_fc/chinese/reports/-PaddleDetection-W-B---VmlldzoyMjA1ODE4
Made with Weights & Biases. Sign up or log in to create reports like this one.
Iterate on AI agents and models faster. Try Weights & Biases today.
Sign upTry W&B now