目录

1  参考链接

2  环境

3  数据集准备

4  训练 train.py

5  导出预测模型 

6  预测

---

源码来自作者 夜雨飘零1，我对参考链接的代码略有修改，网盘地址

链接：百度网盘 请输入提取码 提取码：ipl5 

1  参考链接

博客地址 基于PaddlePaddle实现的目标检测模型PP-YOLOE_夜雨飘零1的博客-CSDN博客_paddlepaddle目标检测

项目地址 GitHub - yeyupiaoling/PP-YOLOE: PaddlePaddle实现的目标检测模型PP-YOLOE

2  环境

• 系统 Linux
• 显卡 NVIDIA GeForce RTX 3060
• CUDA 11.1
• CUDNN 8.2.1

python版本3.9，环境如下

安装的时候首先使用的是项目中的requirement.txt

• pip install -r requirement.txt

安装的过程中有几个东西没装上，比如paddle，之后用的官方提供的安装paddle的命令，虽然我当前的cuda版本是11.1，但使用下面的命令确实可以安装，并且可以使用

• conda install paddlepaddle-gpu==2.4.1 cudatoolkit=11.2 -c Index of /anaconda/cloud/Paddle/ | 北京外国语大学开源软件镜像站 | BFSU Open Source Mirror -c conda-forge

如果没有cudnn安装的时候不会出问题，但使用的时候会出现cudnn的问题，官方的命令上有提示，告诉你选8.2.1这个版本

我们找到cudnn8.2.1 cuDNN Archive | NVIDIA Developer 下载这个tar.gz

解压后放到cuda目录中就可以了

• sudo cp cuda/include/cudnn.h /usr/local/cuda/include
• sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
• sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

训练时默认使用GPU资源进行训练

项目放在home下，项目命名为paddlepaddle_object_detection

3  数据集准备

数据集为877张图像，4分类，其中speedlimit 705个框，crosswalk 174个框，traffclight 154个框，stop 88个框

将标注文件xml放在dataset中，图像文件jpg放在images中

运行create_voc_list.py

运行后会在dataset中得到这三个文件

运行voc2coco.py

在dataset中会得到这两个文件

4  训练 train.py

将这里改为数据集的分类数量

然后直接运行就好了，一些warning可以无视掉

再第一次训练的时候会进行 预训练模型 的下载，预训练模型会下载到这个文件夹中

训练结束后会生成文件夹models

models中还有一个文件夹PPYOLOE_M，其中有一个best_model

5  导出预测模型 

修改 export_model.py的类别数量，然后运行

在models/PPYOLOE_M中会得到一个文件夹infer，infer中有导出的模型

6  预测

更改infer.py中需要预测的图片

运行后可以得到预测结果