使用paddleseg训练语义分割模型_paddleseg怎么加载模型

一、创建conda环境，conda create -n 环境名 python=x.x

安装好Anaconda后，在Anaconda Prompt运行命令：

conda create -n paddle python=3.9

激活环境

Windows使用conda activate env_name

这里使用Ubuntu，source activate env_name

source activate paddle

二、安装paddle框架 cuda推荐11.2版本

打开飞桨官网打开飞桨官网，选择conda安装方式，省心省力。

如果后续部署模型需要用TensorRT加载onnx模型，paddle的infer_onnx_py目前只支持到tensorrt 7，而tensorrt7只能加速cuda最高11.2的版本，也就是说cuda11.6将无法使用infer_onnx_py；

并且目前conda安装不支持cuda11.6；所以个人推荐安装cuda11.2版本

复制命令执行后选择y即可，conda会在环境中配置cuda和cudnn，下载paddle-gpu等依赖包。

conda install paddlepaddle-gpu==2.3.1 cudatoolkit=11.2 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge 

验证安装 

输入 python 或 python3 进入python解释器，输入import paddle ，再输入 paddle.utils.run_check()

如果出现PaddlePaddle is installed successfully!，说明您已成功安装。

三、准备数据集

如果要使用自己的数据集，参考10分钟上手PaddleSeg - 飞桨AI Studio (baidu.com)​

四、下载源码及依赖包，修改配置文件

1.下载源码

源码地址可直接下载PaddleSeghttps://github.com/PaddlePaddle/PaddleSeg

github下载 

git clone https://github.com/PaddlePaddle/PaddleSeg

2.下载paddleseg依赖 

pip直接安装

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

或者安装paddleseg包

pip install paddleseg

3.配置train.py训练参数

readme中有详细的使用教程。模型训练

​也可以参考快速上手paddleseghttps://github.com/PaddlePaddle/PaddleSeg/blob/release/2.6/README_CN.md

10分钟上手PaddleSeg - 飞桨AI Studio (baidu.com)https://aistudio.baidu.com/aistudio/projectdetail/1672610?channelType=0&channel=0

 各个模型的对比以及ppliteseg的配置参考PaddleSeg/model_zoo_overview_cn.md at b0c0e00388b7524196c889a2fc1573947c43bdc5 · PaddlePaddle/PaddleSeg (github.com)

个人喜欢在train.py中指定config的配置文件以及batchsize、iters；

parser.add_argument(
        "--config", dest="cfg", help="The config file.", default='configs/pp_liteseg/pp_liteseg_stdc2_cityscapes_1024x512_scale1.0_160k.yml', type=str)

配置文件可以在paddleseg/configs中选择。我选择的是ppliteseg。配置文件详解参考配置文件详解。如果训练自己的数据集，则配置的yaml文件必须修改。

完成以上配置后，运行train.py开始训练模型。如果开启了do_eval，则不需要在训练后评估模型。

如果有连接服务器远程训练的需求，可以参考pycharm远程连接服务器完整教程_hehedadaq的博客

训练结束后，模型和结果保存在output文件夹。模型指标不会自动保存，如果训练时开启了 use_vdl，就可以用visualdl打开log，实时查看训练情况。