用PaddlePaddle 实现方针检测使命——Paddle Fluid v1.1深度测评
|
CPU/GPU占用率：正常实习环境下CPU占用率在40%-60%之间，GPU占用率不变在50%阁下。
CPU/GPU行使环境 4.6模子评估在PaddlePaddle的SSD模子中，可以行使eval.py剧本举办模子评估，可以选择11point、integral等要领来计较模子在验证集上的mAP。 python eval.py --dataset='pascalvoc' --model_dir='train_pascal_model/best_model' --data_dir='data/pascalvoc' --test_list='test.txt' --ap_version='11point' --nms_threshold=0.45 个中，model_dir是我们实习好的模子的生涯目次，data_dir是数据集目次，test_list是作为验证集的文件列表（txt文件），条件是这些文件必必要有对应的标签文件，ap_version是计较mAP的要领，nms_threshold是分类阈值。最后我们获得PaddlePaddle SSD模子在Pascal VOC数据集上的mAP为73.32%[2] 4.7模子猜测及可视化4.7.1模子猜测模子实习完成后，用test_program = fluid.default_main_program().clone(for_test=True)将Program转换到test模式，然后把要猜测的数据feed进Executor执行Program就可以计较获得图像的分类标签、方针框的得分、xmin、ymin、xmax、ymax。详细进程如下： test_program = fluid.default_main_program().clone(for_test=True) image = fluid.layers.data(name='image', shape=image_shape, dtype='float32') locs, confs, box, box_var = mobile_net(num_classes, image, image_shape) nmsed_out = fluid.layers.detection_output( locs, confs, box, box_var, nms_threshold=args.nms_threshold) place = fluid.CUDAPlace(0) if args.use_gpu else fluid.CPUPlace() exe = fluid.Executor(place) nmsed_out_v, = exe.run(test_program, feed=feeder.feed([[data]]), fetch_list=[nmsed_out], return_numpy=False) nmsed_out_v = np.array(nmsed_out_v) 4.7.2猜测功效可视化对付方针检测使命，我们凡是必要对猜测功效举办可视化进而得到对功效的感性熟悉。我们可以编写一个措施，让它在原图像上画出猜测框，焦点代码如下：
def draw_bounding_box_on_image(image_path, nms_out, confs_threshold,
label_list):
image = Image.open(image_path)
draw = ImageDraw.Draw(image)
im_width, im_height = image.size
for dt in nms_out:
if dt[1] < confs_threshold:
continue
category_id = dt[0]
bbox = dt[2:]
xmin, ymin, xmax, ymax = clip_bbox(dt[2:])
(left, right, top, bottom) = (xmin * im_width, xmax * im_width,
ymin * im_height, ymax * im_height)
draw.line(
[(left, top), (left, bottom), (right, bottom), (right, top),
(left, top)],
width=4,
fill='red')
if image.mode == 'RGB':
draw.text((left, top), label_list[int(category_id)], (255, 255, 0))
image_name = image_path.split('/')[-1]
print("image with bbox drawed saved as {}".format(image_name))
image.save(image_name)
这样，我们可以很直观的看到猜测功效：
令人欣喜的是，PaddlePaddle的SSD模子中帮我们实现了完备的一套猜测流程，我们可以直接运行SSD model下的infer.py剧本行使实习好的模子对图片举办猜测： python infer.py --dataset='coco' --nms_threshold=0.45 --model_dir='pretrained/ssd_mobilenet_v1_coco' --image_path='./data/ pascalvoc/VOCdevkit/VOC2012/JPEGImages/2007_002216.jpg' 4.8模子陈设PaddlePaddle的模子陈设必要先安装编译C++猜测库，可以在http://www.paddlepaddle.org/documentation/docs/zh/1.1/user_guides/howto/inference/build_and_install_lib_cn.html下载安装。猜测库中提供了Paddle的猜测API，猜测陈设进程大抵分为三个步调：1.建设PaddlePredictor；2.建设PaddleTensor传入PaddlePredictor中；3.获取输出 PaddleTensor，输出功效。这部门操纵也并不伟大，并且Paddle的教程中也提供了一份陈设具体代码参考，各人可以很快地操作这个模板完成模子陈设(https://github.com/PaddlePaddle/Paddle/tree/develop/paddle/fluid/inference/api/demo_ci) 5.行使感觉
（编辑：湖南网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
