目录

文章核心：

1.效果图及视频展示

2.背景

3.安装PaddlePaddle

4.预训练模型的下载

比如yolov3在coco和voc数据集上的预训练模型和权重列表如下：

5.模型导出（python端）

6.模型预测

1.图片预测

2.视频预测，帧率在10左右

3.文件夹下图片预测

当然也可以自己进行训练，相应的指令为：

安装过程中遇到的其他问题：

---

全部源码均在PaddleDetection的官方Github上，地址如下：（本文用的版本是最新2.3的版本）

PaddlePaddle/PaddleDetection: Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection. (github.com)

文章核心：

        本片文章主要是通过利用PaddleDetection（飞桨）提供的框架，使用yolov3_darknet53、cascade_rcnn_dcn等经典网络达到对常规目标检测任务的轻量化实现，应用方面主要通过python端的部署（当然也可以通过c++的部署，官方地址里边有代码），并后续实现将模型部署到轻量化移动边缘设备中，从而实现轻量化嵌入式平台的深度学习任务，达到对深度物联网目标的追求！

1.效果图及视频展示

①图片展示

②视频展示

2.背景

        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。

地址：飞桨PaddlePaddle-源于产业实践的开源深度学习平台

3.安装PaddlePaddle

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

或者通过Github地址：

PaddlePaddle/PaddleDetection: Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection. (github.com)

4.预训练模型的下载

PaddleDetection提供的非常丰富的预训练库，各种经典检测、分割、识别、追踪等任务的优秀框架模型供我们选择：

​

比如yolov3在coco和voc数据集上的预训练模型和权重列表如下：

YOLOv3 on COCO：

骨架网络	输入尺寸	每张GPU图片个数	学习率策略	推理时间(fps)	Box AP	下载	配置文件
DarkNet53(paper)	608	8	270e	----	33.0	-	-
DarkNet53(paper)	416	8	270e	----	31.0	-	-
DarkNet53(paper)	320	8	270e	----	28.2	-	-
DarkNet53	608	8	270e	----	39.0	下载链接	配置文件
DarkNet53	416	8	270e	----	37.5	下载链接	配置文件
DarkNet53	320	8	270e	----	34.6	下载链接	配置文件
ResNet50_vd	608	8	270e	----	39.1	下载链接	配置文件
ResNet50_vd	416	8	270e	----	36.6	下载链接	配置文件
ResNet50_vd	320	8	270e	----	33.6	下载链接	配置文件
ResNet34	608	8	270e	----	36.2	下载链接	配置文件
ResNet34	416	8	270e	----	34.3	下载链接	配置文件
ResNet34	320	8	270e	----	31.2	下载链接	配置文件
MobileNet-V1	608	8	270e	----	29.4	下载链接	配置文件
MobileNet-V1	416	8	270e	----	29.3	下载链接	配置文件
MobileNet-V1	320	8	270e	----	27.2	下载链接	配置文件
MobileNet-V3	608	8	270e	----	31.4	下载链接	配置文件
MobileNet-V3	416	8	270e	----	29.6	下载链接	配置文件
MobileNet-V3	320	8	270e	----	27.1	下载链接	配置文件
MobileNet-V1-SSLD	608	8	270e	----	31.0	下载链接	配置文件
MobileNet-V1-SSLD	416	8	270e	----	30.6	下载链接	配置文件
MobileNet-V1-SSLD	320	8	270e	----	28.4	下载链接	配置文件

YOLOv3 on Pasacl VOC：

骨架网络	输入尺寸	每张GPU图片个数	学习率策略	推理时间(fps)	Box AP	下载	配置文件
MobileNet-V1	608	8	270e	-	75.2	下载链接	配置文件
MobileNet-V1	416	8	270e	-	76.2	下载链接	配置文件
MobileNet-V1	320	8	270e	-	74.3	下载链接	配置文件
MobileNet-V3	608	8	270e	-	79.6	下载链接	配置文件
MobileNet-V3	416	8	270e	-	78.6	下载链接	配置文件
MobileNet-V3	320	8	270e	-	76.4	下载链接	配置文件
MobileNet-V1-SSLD	608	8	270e	-	78.3	下载链接	配置文件
MobileNet-V1-SSLD	416	8	270e	-	79.6	下载链接	配置文件
MobileNet-V1-SSLD	320	8	270e	-	77.3	下载链接	配置文件
MobileNet-V3-SSLD	608	8	270e	-	80.4	下载链接	配置文件
MobileNet-V3-SSLD	416	8	270e	-	79.2	下载链接	配置文件
MobileNet-V3-SSLD	320	8	270e	-	77.3	下载链接	配置文件

注意： YOLOv3均使用8GPU训练，训练270个epoch。由于动态图框架整体升级，以下几个PaddleDetection发布的权重模型评估时需要添加--bias字段, 例如：

# 使用PaddleDetection发布的权重
CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/ppyolo/yolov3_darknet53_270e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov3_darknet53_270e_coco.pdparams --bias

5.模型导出（python端）

第三步骤中得到训练权重模型后，接下来进行python端的模型导出。

代码如下：

# 导出YOLOv3模型
python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml --output_dir=./inference_model \
 -o weights=weights/yolov3_darknet53_270e_coco.pdparams

配置说明：

导出成功后会出现如下几个文件：

或者其他：

我自己用的：yolov3_darknet53_270e_coco

python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml --output_dir=./inference_model -o weights=weights/yolov3_darknet53_270e_coco.pdparams TestReader.inputs_def.image_shape=[3,640,640]

我自己用的：cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x_coco

python tools/export_model.py -c configs/dcn/cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x_coco.yml --output_dir=./inference_model -o weights=weights/cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x_coco.pdparams

6.模型预测

支持很多种方法的预测，包括：单张图片、文件夹下图片、单个视频、文件夹下视频、实时调用摄像头等。

参数配置如下：

FLAG	支持脚本	用途	默认值	备注
-c	ALL	指定配置文件	None	必选，例如-c configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.yml
-o	ALL	设置或更改配置文件里的参数内容	None	相较于-c设置的配置文件有更高优先级，例如：-o use_gpu=False
--eval	train	是否边训练边测试	False	如需指定，直接--eval即可
-r/--resume_checkpoint	train	恢复训练加载的权重路径	None	例如：-r output/faster_rcnn_r50_1x_coco/10000
--slim_config	ALL	模型压缩策略配置文件	None	例如--slim_config configs/slim/prune/yolov3_prune_l1_norm.yml
--use_vdl	train/infer	是否使用VisualDL记录数据，进而在VisualDL面板中显示	False	VisualDL需Python>=3.5
--vdl_log_dir	train/infer	指定 VisualDL 记录数据的存储路径	train:vdl_log_dir/scalar infer: vdl_log_dir/image	VisualDL需Python>=3.5
--output_eval	eval	评估阶段保存json路径	None	例如 --output_eval=eval_output, 默认为当前路径
--json_eval	eval	是否通过已存在的bbox.json或者mask.json进行评估	False	如需指定，直接--json_eval即可， json文件路径在--output_eval中设置
--classwise	eval	是否评估单类AP和绘制单类PR曲线	False	如需指定，直接--classwise即可
--output_dir	infer/export_model	预测后结果或导出模型保存路径	./output	例如--output_dir=output
--draw_threshold	infer	可视化时分数阈值	0.5	例如--draw_threshold=0.7
--infer_dir	infer	用于预测的图片文件夹路径	None	--infer_img和--infer_dir必须至少设置一个
--infer_img	infer	用于预测的图片路径	None	--infer_img和--infer_dir必须至少设置一个，infer_img具有更高优先级
--save_txt	infer	是否在文件夹下将图片的预测结果保存到文本文件中	False	可选

这里举例我使用的几个tricks：

.图片预测

python deploy/python/infer.py --model_dir=./inference_model/yolov3_darknet53_270e_coco --image_file=./demo/000000570688.jpg --device=GPU

2.视频预测，帧率在10左右

python deploy/python/infer.py --model_dir=./inference_model/yolov3_darknet53_270e_coco --camera_id=0 --device=GPU

按”q“退出~

3.文件夹下图片预测

python deploy/python/infer.py --model_dir=./inference_model/yolov3_darknet53_270e_coco --image_dir=./image --device=GPU

当然也可以自己进行训练，相应的指令为：

set PYTHONPATH=$PYTHONPATH:.
set CUDA_VISIBLE_DEVICES=0
python -u tools/train.py -c dataset/hongwai/yolov3_mobilenet_v1_hongwaiface.yml --eval

安装过程中遇到的其他问题：

注意：pycocotools的适配python版本目前最高为3.8

Links for pycocotools-windows (tsinghua.edu.cn)

【我有预感，点赞、评论和关注我的人，痘痘会慢慢消下去，皮肤会变白，变瘦变高，成绩上升，事业突出，会越来越好，喜欢你的人会向你表白，世人如满天星斗，而你皆如万人捧花，祝你也祝我！！！】