本文介绍如何用PaddleX参与极市计算机视觉开发者榜单大赛的安全帽检测任务。先简述大赛及新手任务，再说明参赛步骤，包括环境配置（因无内置PaddlePaddle镜像需自定义）、用PaddleX编写训练和测试代码并运行，以完成比赛流程。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
1. 引入
Paddle 框架拥有众多好用的模型库和算法套件，比如 PaddleDetection、PaddleSeg、PaddleClas、PaddleX 等等
这些工具都是算法比赛中的利器，利用他们可以快速的搭建一个基准程序跑通比赛流程，后期的优化调参也比较方便
本次就介绍如何使用 PaddleX 挑战一个简单的安全帽检测比赛
2. 参考资料
轻松上手安全帽检测
PaddleX 安全帽检测
极市 CVMart
ECV2022 极市计算机视觉开发者榜单大赛
3. 极市计算机视觉开发者榜单大赛
3.1 简介
极市计算机视觉开发者榜单大赛自 2018 年首次举办以来，至今已成功举办四届赛事
随着赛事的逐年升级，极市计算机视觉开发者榜单大赛的影响力也在逐步提升，如今已逐渐成为最受瞩目的 AI 大赛之一
2022 极市计算机视觉开发者榜单大赛（以下简称 ECV-2022)将聚焦于计算机视觉领域的前沿科技与应用创新，全面升级赛制
大赛采取多赛题并行的竞赛形式，提供真实场景数据集、免费云端算力支持、便捷在线训练系统、OpenVINO 工具套件等
帮助参赛者全程线上无障碍开发、加速模型推理，真正实现在线编码训练、模型转换、模型测试等一站式竞赛体验
大赛主页：ECV2022 极市计算机视觉开发者榜单大赛
3.2 比赛任务
本次比赛包含如下多个赛道：
3.3 比赛奖项
各个赛道的奖项设置如下：
4. 参加比赛
参加该比赛需要首先完成一项新手任务——安全帽识别
4.1 参赛步骤
比赛官网 -> 下滑新手任务 -> 报名 -> 开发环境
创建实例 -> 等待启动完成 -> 选择在线编码 -> VSCode -> 确定 -> 进入编码环境
在编码环境中编写训练代码，并将代码保存于 /project/train/src_repo 目录中
回到之前的页面，选择训练任务 -> 新建训练任务 -> 使用命令运行训练代码 -> 等待模型训练完成
在编码环境中编写测试代码，并将代码保存于 /project/ev_sdk/src 目录中
回到之前的页面，选择测试任务 -> 发起标准模型测试 -> 等待测试完成 -> 获取任务得分
5. 环境配置
极市平台上内置了众多深度学习框架（Pytorch / TensorFlow / MXNet / OpenVino / DarkNet 等）的镜像
不过很遗憾目前并没有内置 PaddlePaddle 框架的镜像，所以只能自己动手丰衣足食了
火山写作
字节跳动推出的中英文AI写作、语法纠错、智能润色工具，是一款集成创作、润色、纠错、改写、翻译等能力的中英文 AI 写作助手。
166 查看详情
目前最好的方式是通过平台的自定义开发环境的方法，修改一个 PaddlePaddle 框架的镜像
注：此配置方法比较简单，目前未经过严格测试，可能会存在一些问题
5.1 配置步骤
极市官网 -> 右上角头像 -> 个人中心 -> 开发环境管理 -> 新建开发环境
输入名称 -> 基础环境 pytorch1.10.0 -> 输入描述 -> 生成
选择刚刚创建的环境，点击启动实例 -> 等待启动完成 -> 选择在线配置 -> 选择 VSCode -> 确定
进入环境后 -> 使用快捷键 Ctrl + J 打开命令行窗口
拷贝如下每一行代码至命令行窗口 -> 依次运行代码安装 PaddlePaddle 框架及依赖程序
$ apt-get update$ apt-get install -y --allow-change-held-packages libcudnn8=8.1.1.33-1+cuda11.2 libcudnn8-dev=8.1.1.33-1+cuda11.2$ pip install paddlepaddle-gpu==2.3.0.post112 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
等待所有代码执行完毕，回到开发环境管理页面，点击保存配置，保存配置完成的环境
这样一个 PaddlePaddle 的环境就配置好了
6. 安全帽识别
6.1 任务简介
算法背景：工地、工厂等地方在进行安全生产时，需要要求进入工地的所有人员佩戴安全帽。
算法目的：在人员没有佩戴安全帽的情况下，算法需要识别出来。
6.2 数据集
数据介绍：数据集是一个包含三个类别（person / hat / head）的 VOC 格式目标检测数据集。
数据数量：训练集：3000 测试集：800 样例集：100
7. 基线项目
由于平台操作有点复杂，这里给出一个非常简单的基线项目
可以用来快速上手这个平台的编码规则，并且快速通过这个新手任务
7.1 简介
使用 PaddleX 快速实现安全帽检测模型
选择的模型为 PicoDet
7.2 模型训练
在编码环境的 /project/train/src_repo 中创建一个脚本文件 train.py，将如下代码拷贝至该文件中：
import osimport jsonimport randomimport argparseimport paddlex as pdxfrom paddlex import transforms as Tdef split_dataset(data_dir, save_dir, split_num, label_list): ''' 分割数据集 参数 data_dir 数据目录 save_dir 保存目录 split_num 验证集数量 label_list 标签列表 返回 train_file 训练集列表文件 val_file 验证集列表文件 label_file 标签列表文件 ''' # 遍历数据文件 jpg_files = [] xml_files = [] data_files = os.listdir(data_dir) for data_file in data_files: if data_file.endswith('.jpg'): jpg_files.append(data_file) elif data_file.endswith('.xml'): xml_files.append(data_file) # 排序并组成数据对 datas = [] jpg_files.sort() xml_files.sort() for jpg, xml in zip(jpg_files, xml_files): datas.append(f'{jpg} {xml}n') # 打乱顺序 random.shuffle(datas) # 写入文件 train_file = os.path.join(save_dir, 'train.txt') val_file = os.path.join(save_dir, 'val.txt') label_file = os.path.join(save_dir, 'label_list.txt') with open(train_file, 'w', encoding='UTF-8') as f: for data in datas[:-split_num]: f.write(data) with open(val_file, 'w', encoding='UTF-8') as f: for data in datas[-split_num:]: f.write(data) with open(label_file, 'w', encoding='UTF-8') as f: for label in label_list: f.write(f'{label}n') # 输出信息 states = {} states['label_list'] = label_list states['datas_num'] = len(datas) states['train_num'] = len(datas[:-split_num]) states['val_num'] = len(datas[-split_num:]) states['train_file'] = train_file states['val_file'] = val_file states['label_flie'] = label_file print(json.dumps(states, indent=4)) return train_file, val_file, label_fileif __name__ == '__main__': # 命令行参数 parser = argparse.ArgumentParser() parser.add_argument('--data_dir', '-d', default='/home/data/831', type=str) parser.add_argument('--label_list', '-l', default='person,head,hat') parser.add_argument('--save_dir', '-s', default='/project/train/src_repo', type=str) parser.add_argument('--ckpt_dir', '-c', default='/project/train/models', type=str) parser.add_argument('--split_num', '-n', default=50, type=int) args = parser.parse_known_args()[0] # 打印命令行参数 print(json.dumps(vars(args), indent=4)) # 参数转换 data_dir = args.data_dir save_dir = args.save_dir ckpt_dir = args.ckpt_dir split_num = args.split_num label_list = args.label_list.split(',') # 切分数据集 train_file, val_file, label_file = split_dataset(data_dir, save_dir, split_num, label_list) # 训练集数据增强 train_transforms = T.Compose([ T.MixupImage(mixup_epoch=-1), T.RandomDistort(), T.RandomExpand(im_padding_value=[123.675, 116.28, 103.53]), T.RandomCrop(), T.RandomHorizontalFlip(), T.BatchRandomResize( target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608], interp='RANDOM' ), T.Normalize( mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225] ) ]) # 验证集数据增强 eval_transforms = T.Compose([ T.Resize( target_size=480, interp='CUBIC'), T.Normalize( mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225] ) ]) # 训练集 train_dataset = pdx.datasets.VOCDetection( data_dir=data_dir, file_list=train_file, label_list=label_file, transforms=train_transforms, num_workers=0, shuffle=True ) # 验证集 eval_dataset = pdx.datasets.VOCDetection( data_dir=data_dir, file_list=val_file, label_list=label_file, transforms=eval_transforms, num_workers=0, shuffle=False ) # 检测模型 model = pdx.det.PicoDet( num_classes=len(train_dataset.labels), backbone='ESNet_s', nms_score_threshold=.025, nms_topk=1000, nms_keep_topk=100, nms_iou_threshold=.6 ) # 模型训练 model.train( num_epochs=20, train_dataset=train_dataset, eval_dataset=eval_dataset, train_batch_size=16, pretrain_weights='COCO', learning_rate=0.0001, warmup_steps=200, warmup_start_lr=0.0, save_interval_epochs=3, lr_decay_epochs=[15, 18], save_dir=ckpt_dir, use_vdl=False )
在平台训练任务页面上新建一个训练任务，使用如下代码启动训练：
$ python /project/train/src_repo/train.py -n 100
等待模型训练完成，或者训练到某个合适阶段手动终止训练
7.3 模型测试
在编码环境的 /project/ev_sdk/src 中创建一个脚本文件 ji.py，将如下代码拷贝至该文件中：
import jsonimport numpy as npimport paddlex as pdx# 模型路径model_path = '/project/train/models/best_model'# 阈值threshold = 0.5def init(): ''' 初始化 返回 model PaddleX 模型 ''' model = pdx.load_model(model_path) return modeldef process_image(handle=None, input_image=None, args=None, **kwargs): ''' 处理图像 参数 handle init 函数的返回值 input_image 输入图像 (CHW / BGR) args / **kwargs 其他参数 返回 result json 格式的结果 ''' results = handle.predict(input_image) objects = [] for dt in np.array(results): cname, bbox, score = dt['category'], dt['bbox'], dt['score'] if score > threshold: objects.append({ "x": round(bbox[0]), "y": round(bbox[1]), "width": round(bbox[2]), "height": round(bbox[3]), "confidence": score, "name": cname }) result = { "model_data": { "objects": objects } } return json.dumps(result, indent=4)if __name__ == '__main__': import cv2 import argparse parser = argparse.ArgumentParser() parser.add_argument('--img', '-i', default='/home/data/831/helmet_38270.jpg', type=str) args = parser.parse_known_args()[0] model = init() img = cv2.imread(args.img) process_image(model, img)
在平台测试任务页面中发起一个标准模型测试，选择需要的模型文件，比如：
/project/train/models/best_model/model.pdparams
/project/train/models/best_model/model.pdopt
/project/train/models/best_model/model.yml
提交后等待评估结果即可
以上就是飞桨打比赛：极市计算机视觉开发者榜单大赛——安全帽识别的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/768673.html
微信扫一扫 
支付宝扫一扫 
