飞桨调用GPU

一、创建项目

此博客仅是运行PP-YOLOE源码，这里以变压器渗漏数据集为例COCO数据集太大了，跑不动，V100训练预估计得7天左右，即便是A100也得4天半，变压器渗漏油数据集跑一个小时左右，还可以接受，那么不墨迹直接进入手把手环节。

首先，进入百度搜索飞桨，进入云平台选择项目–>创建项目–>NoteBook

然后，输入项目名称，添加数据集（点击添加数据集，按需搜索即可，也可自己创建数据集）。之后点击高级配置，根据自己的需求选择合适的配置，我这里用到了PaddlePaddle2.5.0版本的框架，所以选择了BML Codelab（AI Studio没有PaddlePaddle2.5.0），之后项目框架选择PaddlePaddle2.5.0，选择项目的标签（可以根据项目选择随便选），项目描述可写。。。

之后，点击创建即可创建项目，并自动进入项目，点击启动环境即可进入项目编辑。

值得一提的是，点击启动环境之后，有一个选择环境的选项。百度每天会赠送算力卡8个点，基础版（无GPU）不浪费点，V100（16GB）一个小时2个点（相当于一天有4个小时免费），V100（32GB）一个小时3个点（相当于一天不到3个小时），如需更多时间或者更高级的GPU，需要开会员，花钱了，应该是一个月19.9RMB。

二、搭建PP-YOLOE模型

为了能多跑几个小时，保证科研的资源充分利用性，可以先用基础版启动环境，搭建模型，然后切换环境用V100甚至更好的GPU跑。

上图中点击确定后，点击进入 即可进入项目。

2.1 配置环境

输入如下程序，克隆PaddleDetection项目，因为我选的是PaddlePaddle2.5.0因此选择2.5版本项目。

%cd work/
# gitee 国内下载比较快
!git clone https://gitee.com/paddlepaddle/PaddleDetection.git -b release/2.5
# github 下载慢，需要等待很长时间
# !git clone https://github.com/PaddlePaddle/PaddleDetection.git -b release/2.5

此时程序被Clone到work文件夹下，点进去就可以看到项目。

然后一次输入如下的程序，配置所需要的环境和库(这里一步一步来，不要着急，一个一个运行)

#安装PaddleDetection依赖
!pip install -r /home/aistudio/work/PaddleDetection/requirements.txt

#编译安装paddledet
%cd work/PaddleDetection
!python setup.py install

#安装其他依赖
from PIL import Image  
import matplotlib.pyplot as plt
import numpy as np
import os 
import random

#测试安装是否成功，最后输出OK，说明编译安装成功
!python ppdet/modeling/tests/test_architectures.py

出现如下图片中的结果表示成功了

另外，还要装一个库pycocotools，后面训练会用到，不然会报错。

!pip install pycocotools

2.2 准备数据集

目前给出的数据集是VOC格式的，然而PP-YOLOE仅支持COCO数据集，因此需要将数据集进行转换，转换成COCO标准格式。
依次执行如下程序即可。注意：解压数据集时路径“data“后面要改，

#解压数据集
!unzip -oq /home/aistudio/data/data180502/oil.zip -d /home/aistudio/data/

#划分数据集
#根据挂载的数据集制作制作标签文件，并进行划分
#生成train.txt和val.txt
random.seed(2020)
xml_dir  = '/home/aistudio/data/oil/Annotations'#标签文件地址
img_dir = '/home/aistudio/data/oil/JPEGImages'#图像文件地址
path_list = list()
for img in os.listdir(img_dir):
    img_path = os.path.join(img_dir,img)
    xml_path = os.path.join(xml_dir,img.replace('jpg', 'xml'))
    path_list.append((img_path, xml_path))
random.shuffle(path_list)
ratio = 0.8 #测试集和验证集划分比例0.8:0.2
train_f = open('/home/aistudio/data/oil/train.txt','w') #生成训练文件
val_f = open('/home/aistudio/data/oil/val.txt' ,'w')#生成验证文件

for i ,content in enumerate(path_list):
    img, xml = content
    text = img + ' ' + xml + '\n'
    if i < len(path_list) * ratio:
        train_f.write(text)
    else:
        val_f.write(text)
train_f.close()
val_f.close()

#生成标签文档
label = ['oil']#设置你想检测的类别
with open('/home/aistudio/data/oil/label_list.txt', 'w') as f:
    for text in label:
        f.write(text+'\n')

最终生成的数据集文件夹目录为

使用x2coco.py将voc格式的数据集转换成coco数据集 只需要将这四个参数指定成上面生成的标签文件即可

voc_anno_dir 总的标注文件

voc_anno_list 训练数据集文件列表

voc_label_list 标签文件

voc_out_name 输出的coco文件路径

!python tools/x2coco.py \
        --dataset_type voc \
        --voc_anno_dir /home/aistudio/data/oil/Annotations \
        --voc_anno_list /home/aistudio/data/oil/train.txt \
        --voc_label_list /home/aistudio/data/oil/label_list.txt \
        --voc_out_name /home/aistudio/data/oil/train.json
!python tools/x2coco.py \
        --dataset_type voc \
        --voc_anno_dir /home/aistudio/data/oil/Annotations \
        --voc_anno_list /home/aistudio/data/oil/val.txt \
        --voc_label_list /home/aistudio/data/oil/label_list.txt \
        --voc_out_name /home/aistudio/data/oil/valid.json

!mkdir oil
%cd oil
!mkdir images &&mkdir annotations
!mv /home/aistudio/data/oil/train.json /home/aistudio/work/PaddleDetection/oil/annotations
!mv /home/aistudio/data/oil/valid.json /home/aistudio/work/PaddleDetection/oil/annotations
!cp -r /home/aistudio/data/oil/JPEGImages/* /home/aistudio/work/PaddleDetection/oil/images/
%cd ..

这个是标准的COCO数据集格式

2.3 训练模型

在这就可以切换环境了，切换到V10032GB的，切记，切记，切记，不要在项目里切换，也有可能是我电脑太辣鸡了，切换不过来，我的失败了很多次，先停止环境再重新启动。

首先查看PP-YOLOE使用的配置文件PaddleDetection/configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml 可以看到依赖的相关配置文件如下图所示：
注意：这里将预训练权重换成coco数据集上的预训练权重，更多预训练权重 点击链接进入选择配置文件的config找到预训练权重，将其复制进去即可。（就一行）

具体的配置文件修改情况以及说明情况，请转至基于PaddleDetection的绝缘子的缺陷检测查看

另外，值得注意的是，coco_detection.yml的配置修改（位置是PaddleDetection/configs/datasets/coco_detection.yml），否则加载数据集失败，无法训练。

然后，输入程序开始训练。建议用第二条指令，可以边训练边评估，开启可视化。

#** 注意: ** 使用默认配置训练需要设置--amp以避免显存溢出.
#!python tools/train.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --amp
#或者运行下面这条指令，边训练边评估，开启可视化
!python tools/train.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --amp --eval --use_vdl=True --vdl_log_dir="output"

训练完是这样的。

3.4 评估模型

python -u work/PaddleDetection/tools/eval.py -c work/PaddleDetection/configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml  \
-o weights=/home/aistudio/output/ppyoloe_crn_l_300e_coco/best_model.pdparams

点击可视化–>设置logdir下面的添加，找到work/PaddleDetection/output，点击确定即可

之后点击启动VisualDL服务，再点击进入VisualDL，在弹出网页的左上角点击标量数据。

就可以看到各种可视化的图，起会跟着训练的过程随时更新。