本文写的应该比较细了，首先介绍环境的搭建，然后以一个算法为例具体讲解训练过程，其他算法类似，而且 PaddleDetection 官方文档写的也很详细，有问题可以第一时间查看官方的文档！

本文描述的是使用 Nvidia GPU 的操作步骤。

1. 环境搭建

• 为了考虑 python 的兼容性，使用最新版本的 python 3.7，即 python 3.7.9。
• 使用更轻量级的 conda 工具包 Miniconda 来管理虚拟环境。

如果已经有了 python 的虚拟环境工具，比如 anaconda，这里推荐 anaconda 或 miniconda，可以直接跳过 1.1 小节！

后续无特殊说明，均在有 Nvidia GPU 的服务器上操作，当然也可以在本地有显卡的 linux 环境下操作。

1.1 python 环境

2. 远程连接服务器 remote-server，这里 remote-server 为远程服务器：

   ssh remote-server
   

3. 打开 Miniconda 页面，找到最新的 64 位的 linux 下的安装包复制链接，写本文时的 64位 linux 版本为：https://repo.anaconda.com/miniconda/Miniconda3-py39_4.9.2-Linux-x86_64.sh:

   wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.9.2-Linux-x86_64.sh
   

4. 为下载的 miniconda 包添加运行权限：chmod +x Miniconda3-py39_4.9.2-Linux-x86_64.sh

5. 运行安装包启动安装流程：./Miniconda3-py39_4.9.2-Linux-x86_64.sh，随后按 Enter键，后打开一个协议文件

   • 按 Ctrl+d 组合键进行翻页，一直翻页，会有提示问是否接受协议内容 - Do you accept the license terms?[yes|no]，输入 yes按回车键 Enter 即可

   • 之后后询问你安装位置，默认是在自己 HOME 目录下的 miniconda3 中，这里我一般是加个 . 隐藏目录，所以我一般使用用户目录下的 .miniconda3即 /home/tianye/.miniconda3，根据自己的情况改成自己的 HOME 即可，然后继续 Enter，等待安装即可 ⌛️

   • 一段时间后会继续有提示问题 - Do you wish the installer to initialize Miniconda3 ny running conda init? [yes|no] 这里输入 yes 直接回车

   • Ctrl + d断开 SSH 连接，重新连接远程机器 ssh remote-server，此时就能使用 conda 了，which conda 应该就能看打印出 conda 的安装路径；

   • 为了加速 conda 安装包的速度，可以配置使用国内的清华源：

     conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
     conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
     conda config --set show_channel_urls yes
     

1.2 paddle 环境

1.2.1 创建虚拟环境

重新连接远程机器后，默认会激活 conda 的 base 环境，默认是 python 3.9 的环境，我们要使用 python 3.7.9 ，所以需要新建一个虚拟环境，执行命令 conda create -n paddle python=3.7.9

• -n paddle指定虚拟环境名称为 paddle，这个名称随意，最好是自己能记住，用于区分不同的环境
• python=3.7.9环境中使用 3.7.9 版本的 python

稍等 ⌛️ 一段时间后会有提示，回车直接默认 yes 即可，再 ⌛️ 一段时间即可完成虚拟环境的安装，会有提示如何激活和退出虚拟环境：

# To activate this environment, use
#
#     $ conda activate paddle
#
# To deactivate an active environment, use
#
#     $ conda deactivate

加速 pip 包安装速度

1. 更新 pip：pip install --upgrade pip
2. 配置使用国内安装源，这里使用 aliyun 的源：pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

下面的步骤主要是安装 PaddleDetection 2.1 版本的环境，可以参考对应版本的环境安装说明，这里 2.1 的是 docs/tutorials/INSTALL_cn.md，如果是其它版本可以对应选择分支，找到 docs/tutorials/INSTALL_cn.md。

1.2.2 安装 paddlepaddle

激活虚拟环境：conda activate paddle，使用 which 命令查看 python 安装目录：

首先确实使用 cpu 还是 GPU，这里我们使用 Nvidia 的 GPU ，cuda 10.1 版本，根据 docs/tutorials/INSTALL_cn.md 确定安装 paddlepaddle 的命令如下：

# CUDA10.1
python -m pip install paddlepaddle-gpu==2.1.0.post101 -f https://paddlepaddle.org.cn/whl/mkl/stable.html

如果 CUDA 是其它版本，可以去 PaddlePaddle官网找对应计算平台的安装命令。

1.2.3 验证安装

安装完成后您可以使用 python 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。

2. 目标检测模型训练

这里以 ppyolo 算法的模型训练为例，使用的数据集为 VOC 数据格式，使用 COCO 格式的数据集训练方式后面如果有涉及也会记录相关操作。

2.1 下载 PaddleDetection

使用最新的 PaddleDetection 代码进行目标检测，使用 git clone 到服务器适当目录即可，比如用户目录下 paddle 目录下：

# 如果没有 paddle 目录可以新建
mkdir ~/paddle
# 进入 paddle 目录
cd paddle
# 克隆 PaddleDetection 仓库
git clone https://github.com/PaddlePaddle/PaddleDetection.git
# 可以查看下 PaddleDetection 的 1 层级目录结构
tree -L 1 PaddleDetection

此文撰写时使用的仓库的默认分支，即 release/2.1

• configs：训练的配置文件，包含各种常用的算法，我们可以复制创建自己的配置文件，进行新的训练任务
• dataset：存放标注数据，一般不要将自己的数据添加到实际的 git 跟踪中
• demo：存放一些 demo 图像，可以将我们的测试样本放到这个目录中
• output：这里一般用来存放训练导出的模型以及 demo 图像的推理结果图像
• ppdet：基于 paddlepaddle 框架的目标检测的基本库
• slim：裁剪蒸馏文件的存放位置
• tools：存放基本的模型训练、评估、推理、裁剪、生成锚框、转换数据集格式等工具脚本
• vdl_dir：可视化深度学习服务所需的文件，用于可视化训练过程

为了更好的管理自己的配置文件，建议使用好 git，这里我们可以建立自己的分支，比如我这里建立 5km 分支！

# 进入 PaddleDetection 目录
cd PaddleDetection
# 创建并切换到 5km 分支
git checkout -b 5km

2.2 数据集处理

可以使用 vocgo 切分数据集，VOC 数据集中一般会有两个目录，以数据组帮忙标注的银行大厅人员的数据为例，简单讲解下 vocgo 使用。

这里数据放在了我的用户下的 data/bank 中，首先进入这个目录：

# 进入数据目录
cd ~/data/bank
# 激活虚拟环境
conda activate paddle

2.2.1 安装 vocgo

python3 -m pip install vocgo

2.2.2 查看标注类别

一般情况下， VOC 数据的目录结构如下：

使用命令 vocgo list .即可查看当前目录下数据中标注的类别都有哪些：

• 包含了 5 种类别的目标，也分别统计了每种类别的目标个数
• 同时也统计了有、没有检测目标的图像个数

命令中**.**指的是当前目录

2.2.3 切分数据

可以使用命令 vocgo split --ratio 0.9 . 对当前目录中的标注数据进行切分，其中训练集图像与验证集图像按照 比例 0.9 进行划分，执行命令后会提示输入切分数据文件的导出目录，这里我们指定为 all:

会在指定导出目录中生成相应的标注文件。

如果我们只想筛选其中的 customer、security、teller三个类别训练模型，可以通过命令vocgo split --labels=customer,security,teller --ratio 0.9 .进行数据筛选和切分，执行命令后指定导出目录为 human ：

# 查看导出数据的类别
➜ cat human/label_list.txt
customer
security
teller

同样我们可以使用 vocgo list human 查看新导出切分数据集的类别信息：

为了不占用多余的数据空间，这里建议将我们的数据目录建立软链接到 PaddleDetection 的 dataset 目录下！

# 将 bank 目录链接到 ~/paddle/PaddleDetection/dataset/bank
ln -s ~/data/bank ~/paddle/PaddleDetection/dataset/bank
# 建议将新增的 bank 软链接添加到 PaddleDetection 仓库的 .gitignore 中
echo "dataset/bank" >> ~/paddle/PaddleDetection/.gitignore

最好是把自己添加的数据集目录都追加到 PaddleDetection 的忽略文件中！就像上面的第二条命令。

2.3 建立配置文件

我们这里使用百度 paddlepaddle 团队自研算法训练模型。

仓库中自带的 ppyolo 配置文件在 configs/ppyolo中，当然我们可以直接修改已经有的配置文件，但是为了不影响原有的参考文件，我们最好是复制一份，重命名一下，比如这里我们使用的是 configs/ppyolo/ppyolo_voc.yml ，我们要用 [2.2.3 小节](#2.2.3 切分数据) 中的切分出的 human 数据进行训练，我们暂且重命名为ppyolo_bank_human_voc.yml吧：

# 复制新的配置文件
cp configs/ppyolo/ppyolo_voc.yml configs/ppyolo/ppyolo_bank_human_voc.yml

下面开始修改配置文件，这里只简单说几项关键的参数。首先我们明确一下要使用几个 GPU，比如我们使用 4 个卡去训练模型（GPU_num=4）。

2.3.1 修改 batch_size

这个指的是一次显卡加载的图像样本数量，这受到显存的限制，默认使用的是 12，默认值对应的是 32GB 显存的卡 Tesla V100，我们的卡显存是 12GB 的 2080Ti，所以需要调小一点，比如使用 4，有一定的线性关系，当看着还有显存的时候，可以慢慢上调，比如 6，这里我们就使用 4。这个在 TrainReader的batch_size设置。

2.3.2 修改 max_iters

ppyolo 中不使用 epoch_size 表示迭代，而是使用 max_iters表示，这里我们默认 epoch_size=120，可以使用以下关系式去设置参数值：

$$ iters_{max}=\frac{Num_{image} \times Size_{epoch}}{Num_{GPU} \times Size_{batch}} $$

在 [2.2.3 小节](#2.2.3 切分数据) 切分数据的时候，可以看到 human 数据集中图像数量（image_num）是 4926， [2.3.1 小节](#2.3.1 修改 batch_size) 中调整 batch_size 为 4，GPU_num 为 4，最后计算如下：

$$ iters_{max}=\frac{4926 \times 120}{4 \times 4}=36945 $$

这里我们就取个整 36000 吧！

# image_num * epoch_size / GPU_num / batch_size
# 4926 * 120 / 4 / 4 => 36000
max_iters: 36000

2.3.3 调整日志打印间隔

为了更细的看到迭代过程中的结果，将 log_smooth_window和log_iter由原来的 20 改为 5。

log_smooth_window: 5
log_iter: 5

2.3.4 设置快照间隔 snapshot_iter

此参数表示每多少次保存一版模型，这里设置 3000，最终算下来能保存 12 个。

snapshot_iter: 3000

2.3.5 设置模型目录

此参数为设置模型权重文件的最终名称，其实是变相的设置输出目录，一般是设置在 output 下，即：

save_dir: output

训练过程中，会在指定的 save_dir 下生成与配置文件同名目录 - ppyolo_bank_human_voc，中间过程即 [2.3.4 小节](#2.3.4 设置快照间隔 snapshot_iter) 中设置保存的每一版模型都会存储到该目录中。

这里要特别说一下 weights 参数，这个参数一般用于模型转换和模型推理，用于指定转换的输入模型，模型训练完成后最终的模型名称就是 model_final，我们可以指定为下面的配置：

weights: output/ppyolo_bank_human_voc/model_final

2.3.6 设置类别个数

yolo 系的算法在数据集的配置中都会设置 with_background 为 false 也就是不包含背景，那么依照 [2.2.3 小节](#2.2.3 切分数据) 最后查看 human 切分数据的时候的类别个数为准，也就是 3 个：

num_classes: 3

2.3.7 设置学习率参数

1. 按照百度传达的经验，调整学习率应该依据于使用 GPU 的个数 GPU_num 和设置的 batch_size，原始的 base_lr=0.01为使用 8 卡，同时 batch_size 设置为 12 时设置的值，因为我们使用卡数量为 4，batch_size 为 4，所以最终设置 base_lr为 0.0025即可。
2. 设置学习率调整的 schedulers 参数，其中PiecewiseDecay 的 milestones 设置依赖于 [2.3.2 小节](#2.3.2 设置 max_iters)中的 max_iters 值，两个值一般分别按比例 0.8 和 0.88（大约，周边取整即可)，所以对应 36000 的话，应该是 28800 和 32000。
3. 同样需要按比例调整 LinearWarmup的 steps，也是依据 [2.3.2 小节](#2.3.2 设置 maxiters) 中的 max_iters 值，一般比例是 17.5 左右，计算取整即可，这里 $\frac{iters{max}}{17.5}=\frac{36000}{17.5}\approx2100$，所以最终配置。

LearningRate:
  base_lr: 0.0025
  schedulers:
    - !PiecewiseDecay
      gamma: 0.1
      milestones:
        - 28800
        - 32000
    - !LinearWarmup
      start_factor: 0.
      steps: 2100

2.3.8 设置 Reader

1. 设置 _Reader_，默认值是相对于配置文件下的 ppyolo_reader.yml文件，以后有可能我们还会修改里面的内容，所我们也复制这个文件，新文件命名为 ppyolo_bank_human_reader.yml，同时更新 _Reader_ 的值为 ppyolo_bank_human_reader.yml。

   # 复制 reader 文件
   cp configs/ppyolo/ppyolo_reader.yml configs/ppyolo/ppyolo_bank_human_reader.yml
   

2. 设置数据集目录，需要对训练集、评估集的 dataset_dir 、anno_path

   • dataset_dir 数据集的目录路径，相对于 PaddleDetection 的目录设置，训练集和评估集都是 dataset/bank/human
   • anno_path 对应的切分数据文件，训练集的为 train.txt，评估集的为 valid.txt

3. 设置使用我们自己生成的 label_list 文件，所以需要把 TrainReader、EvalReader、TestReader 的 dataset 下的 use_default_label 设置为 false 。

4. 对应 [2.3.1 小节](# 设置 batch_size) 中的 batch_size 就是在 TrainReader 中设置，值为 4。

_READER_: "ppyolo_bank_human_reader.yml"
TrainReader:
  dataset: !VOCDataSet
    dataset_dir: dataset/bank/human
    anno_path: train.txt
    use_default_label: false
    with_background: false
  mixup_epoch: 350
  batch_size: 4

EvalReader:
  inputs_def:
    fields: ["image", "im_size", "im_id", "gt_bbox", "gt_class", "is_difficult"]
    num_max_boxes: 50
  dataset: !VOCDataSet
    dataset_dir: dataset/bank/human
    anno_path: valid.txt
    use_default_label: false
    with_background: false

TestReader:
  dataset: !ImageFolder
    use_default_label: false
    with_background: false

2.3.9 设置 Anchor

1. 这里需要使用 PaddleDetection 提供的工具脚本 tools/anchor_cluster.py聚类生成对应 human 数据的 Anchor 数据：

   python tools/anchor_cluster.py -c configs/ppyolo/ppyolo_bank_human_voc.yml -n 9 -s 608 -m v2 -i 1000
   

   • -c 指定使用的配置文件，这里我们的就是刚刚修改好的配置文件 configs/ppyolo/ppyolo_bank_human_voc.yml
   • -n 9 生成 9 组尺寸
   • -s 608 指定图像训练尺寸
   • -m v2 使用默认的 v2 版本方法
   • -i 1000 迭代次数

   其实这里的 -c 之后的很多选项我也不知道具体明确的意思，后面有时间在探究然后补充到这里，先按照默认的选项生成！

   执行上边脚本后会打印 9 组尺寸，用于替换配置文件中原有配置即可，比如我这里打印的是：

   

2. 需要替换配置文件 configs/ppyolo/ppyolo_bank_human_voc.yml中 YOLOv3Head的 anchors 为上面打印的 9 个尺寸列表。

   YOLOv3Head:
     anchor_masks: [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
     anchors:
       [
         [20, 44],
         [28, 108],
         [38, 158],
         [78, 123],
         [55, 221],
         [108, 152],
         [79, 268],
         [118, 326],
         [156, 352],
       ]
   

3. 因为配置项 YOLOv3Loss 的 use_fine_grained_loss 配置为了 true 所以还需要设置 configs/ppyolo/ppyolo_bank_human_reader.yml 中的 anchor 配置，具体找到 TrainReader -batch_transforms-!Gt2YoloTarget 修改 anchors 即可：

   # Gt2YoloTarget is only used when use_fine_grained_loss set as true,
   # this operator will be deleted automatically if use_fine_grained_loss
   # is set as false
   - !Gt2YoloTarget
     anchor_masks: [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
     # anchors: [[22, 47], [29, 112], [41, 170],
     #           [75, 123], [62, 243], [106, 148],
     #           [101, 278], [121, 384], [155, 328]]
     anchors:
       [
         [20, 44],
         [28, 108],
         [38, 158],
         [78, 123],
         [55, 221],
         [108, 152],
         [79, 268],
         [118, 326],
         [156, 352],
       ]
   

到这里完成了基本的配置文件的修改，下一步就可以进行模型训练了！

本小节简单介绍了基本的常规需要调整的参数，后面如果有收获会继续丰富这个小节关于参数的调整内容。

2.4 模型训练

得益于强大的 PaddleDetection 我们只需要简单的一条命令就可以开启模型训练。

2.4.1 准备工作

训练过程一般是很长时间，然而我们 ssh 链接一旦断开就会把运行的训练程序停掉，为了防止这种情况的发生，我们一般远程 SSH 链接机器后，还会使用 tmux 创建会话，在新的会话中执行我们的命令，只要不是 tmux 挂掉或者我们自己 kill 程序，一般情况下我们的程序就会由 tmux 进行托管执行，即使我们断开了 SSH ，重新连接机器后，连接上 tmux 的会话也能看到自己也还在执行的程序，下面简单说一下我的操作过程：

1. 创建会话，会话名称为 paddle

   tmux new -s paddle
   

   这样就会打开一个会话并激活一个窗口 shell。

2. 我一般会把窗口重命名，还会创建一个专门监控显卡和其他硬件资源的窗口，使用当前的窗口创建即可：

   • 重命名窗口为 monitor：按下快捷键 ctrl+b，然后按 , 键就会在最低边可以编辑修改名称，改为 monitor 回车即可

   • 这样回到 shell 之，执行命令 watch -n 0.5 nvidia-smi，这样就会每 0.5 秒刷新一次显卡状态

   • 快捷键 ctrl+b，然后按 % 键，会在右侧竖分出一个新的窗格，我们可以打开一个 top 命令随时查看 CPU、memery 和 proc 情况，我这里使用的是 gotop 命令，更好看一些，直接运行命令 gotop，你可以运行 top 或者 htop，这样我们的监控窗口就做好了，晒一下我的监控窗口：

     

   • 快捷键 ctrl+b，然后按 c 键，此时会创建新的窗口，按下快捷键 ctrl+b，然后按 , 键就会在最低边可以编辑修改名称，改为 train 回车，这样我们的窗口都准备好了，窗口切换的快捷键是：快捷键 ctrl+b，然后按 p 或 n

     • 其中 p 代表 previous 表示切换到前一个窗口
     • 其中 n 代表 next 表示切换到前一个窗口

3. 然后进入工作目录，并激活虚拟环境

   # 进入 PaddleDetection 目录
   cd paddle/PaddleDetection
   # 激活虚拟环境
   conda activate paddle
   

2.4.2 开始训练

假设我们使用 0、1、2、3 号卡训练模型，那么执行命令

CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train.py -c configs/ppyolo/ppyolo_bank_human_voc.yml --eval -o use_gpu=true --use_vdl=True --vdl_log_dir=vdl_dir/scalar

• CUDA_VISIBLE_DEVICES=0,1,2,3 指定环境变量，告诉 ppdect 使用 0、1、2、3 号卡进行多卡训练
• tools/train.py 训练工具脚本
• -c configs/ppyolo/ppyolo_bank_human_voc.yml 使用我们刚做好的配置文件
• --eval 每次快照保存模型的时候进行一次评估
• -o use_gpu=true 覆盖配置文件中的指定配置项的值，这里是指定要使用 gpu
• --use_vdl=True 配置开启深度学习可视化，可以看一些 loss 曲线，可视化训练过程中关键指标的变化
• --vdl_log_dir=vdl_dir/scalar 指定可视化日志输出位置

正常的情况下，经过 ⌛️ 一段时间我们就能看到迭代过程中的日志打印了，类似于：

[INFO 2021-04-14 14:29:09,065 train.py:286] iter: 765, lr: 0.000607, 'loss_xy': '1.455415', 'loss_wh': '1.337777', 'loss_obj': '11.151718', 'loss_cls': '2.540418', 'loss_iou': '4.378272', 'loss_iou_aware': '0.087677', 'loss': '20.988634', eta: 6:41:24, batch_cost: 0.68355 sec, ips: 5.85182 images/sec

可以查看日志打印观察 loss 是否是收敛的。

训练起来之后可以按快捷键 快捷键 ctrl+b，然后按 p 返回到 monitor 窗口，查看硬件资源使用情况，比如显卡，可以看一下显存占用，可以作为依据调整配置文件中 batch_size。

2.4.3 可视化曲线

为了更直观的观看训练情况，我们可以开启 VDL 的服务查看动态的曲线变化。这里有个小技巧，如果直接在 ssh 连接机器的 shell 中执行启动可视化服务的命令，因为服务器的端口并未开放，我们在自己本地是无法访问的，最简单的坚决方式是使用 vscode，vscode 能自动转发连接服务器上自己启动的端口服务，这里就不讲如何使用 vscode 远程连接服务器了，自行百度。

使用 vscode 远程连接上面训练任务开启的机器，打开 paddle/PaddleDetectioj 文件夹，打开一个终端窗口，如果没有激活我们创建的 paddle 虚拟环境的话，我们自己激活即可 conda activate paddle ，然后执行以下命令启动服务，指定 vdl 的日志目录与训练命令中对应起来：

visualdl --logdir vdl_dir/scalar/

执行命令后，vscode 就会检测到新的端口服务并提示完成转发：

点击**「在浏览器中打开」**按钮即可在浏览器打开我们的可视化服务的页面，便可以查看各种曲线了：

2.4.4 后台运行

我们可以把 tmux 会话推到后台，使用快捷键 ctrl+b，然后按下 d 即可退出 tmux。

如果想要重新连接我们训练的会话，执行命令：

tmux a -t paddle

• paddle 就是我们的会话名称
• a 是 attach 的缩写

2.4.5 等待完成

训练需要很长时间，具体大约的时间，在打印的日志中有体现，比如：

[INFO 2021-04-14 14:29:09,065 train.py:286] iter: 765, lr: 0.000607, 'loss_xy': '1.455415', 'loss_wh': '1.337777', 'loss_obj': '11.151718', 'loss_cls': '2.540418', 'loss_iou': '4.378272', 'loss_iou_aware': '0.087677', 'loss': '20.988634', eta: 6:41:24, batch_cost: 0.68355 sec, ips: 5.85182 images/sec

其中 eta 就是评估的可能耗时。

去干点其它的事情就行了，可以偶尔连接机器连接 tmux 会话查看训练情况，有可能会出问题的！

2.5 模型推理

2.5.1 一张图像推理

推理很简单，使用以下命令即可测试一张图像的推理：

CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c configs/ppyolo/ppyolo_bank_human_voc.yml -o use_gpu=true --infer_img=demo/demo.jpg

• CUDA_VISIBLE_DEVICES=0 声明要使用的显卡编号，比如这里指定使用 0 号卡
• -c configs/ppyolo/ppyolo_bank_human_voc.yml 使用我们刚做好的配置文件
• -o use_gpu=true 覆盖配置文件中的指定配置项的值，这里是指定要使用 gpu
• --infer_img 指定要测试的图像

这里注意的是，根据训练配置，推理会默认加载使用配置项 weights 指定的模型，这里就是 output/ppyolo_bank_human_voc/model_final，详见[2.3.5 设置模型目录](#2.3.5 设置模型目录) 。

2.5.2 多张图像推理

如果要推理一批图像，可以将图像放置在一个目录中，比如是 ./demo/bank，使用 infer.py 时指定图像目录即可：

CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c configs/ppyolo/ppyolo_bank_human_voc.yml -o use_gpu=true --infer_dir=demo/bank

• --infer_dir 指定要测试的图像目录

2.5.3 其它选项

可以查看 tools/infer.py 最后的代码，自行查看。

2.6 模型部署

步骤比较清晰，要看是预测部署还是服务部署方式。

2.6.1 预测部署

2.6.1.1 导出模型

使用以下命令导出模型文件：

python tools/export_model.py -c configs/ppyolo/ppyolo_bank_human_voc.yml -o use_gpu=true --output_dir=./inference_model

• tools/export_model.py 导出模型的工具脚本；
• -c configs/ppyolo/ppyolo_bank_human_voc.yml 指定配置文件
• --output_dir=./inference_model 指定导出目录，会在此指定目录下生成与配置文件同名的目录存放导出模型文件

导出模型结构：

➜ tree inference_model/ppyolo_bank_human_voc
inference_model/ppyolo_bank_human_voc
├── infer_cfg.yml
├── __model__
└── __params__

0 directories, 3 files

可以看到只有三个文件：

• infer_cfg.yml 中能看到模型的关键配置信息和类别信息
• __model__ 描述网络结构
• __params__ 存储网络结构中的权重参数数据

2.6.1.2 预测

使用 deploy/python/infer.py 这个工具脚本推理即可，deploy/python 目录下三个 python 脚本，只需要这三个文件和上面导出的模型文件即可独立于 PaddleDetection 完成推理预测，支持分析指定图像以及视频文件。

• 分析图像

  python deploy/python/infer.py \
           --model_dir inference_model/ppyolo_bank_human_voc \
           --image_file demo/xxx.jpg \
           --output_dir output/bank_human/ppyolo_bank_human_voc \
           --use_gpu True \
           --threshold 0.5
  

• 分析视频

  python deploy/python/infer.py \
           --model_dir inference_model/ppyolo_bank_human_voc \
           --video_file demo/bank_human/chlorine_bottle/demo_chlorine_bottle_ch24.mp4 \
           --output_dir output/bank_human/ppyolo_bank_human_voc \
           --use_gpu True \
           --threshold 0.5
  

2.6.1 服务部署

如果我还喘气，可能还会更新。。。