博客

一：环境安装

1：首先使用Anaconda创建一个虚拟环境PaddleCls，如下图所示其他环境也可以按照同样方法创建使用。

2：使用命令激活环境 conda activate PaddleCls（1所示）， 从Github下载PaddleClas, cmd切换到下载路径，输入命令 pip install -r requirments.txt 安装所需依赖（2所示）。如下图所示。

3：安装之后输入 conda list 查看安装情况。可参考链接

安装说明

二：数据集的制作

1：首先使用自训练软件对图片进行crop.

第一步：创建工程  选择字符识别  图片目录为自己原始图片目录

第二步：添加图片，对当前列表进行标记。

第三步：对工程进行训练，从自己新建的工程中取出crop图片文件 路径：TrainingTool_V2.0.2-20211021\DeeplearningTrain\Project\OCRCls\train\image

2：制作分类数据集

image：crop图片存放文件

test：测试集

val：评估数据集

train.txt：训练图片路径及标签

val.txt：同上

三：模型的训练

1：修改配置文件 示例ResNet50_vd.yaml

Global：需要修改的依次是 类别  迭代次数  输入尺寸

DataLoader：修改训练 评估数据集路径

2：开始训练

输入命令：

python3 tools/train.py 
-c ./ppcls/configs/quick_start/ResNet50_vd.yaml    # 配置文件路径
-o Arch.pretrained=True                            # 是否使用预训练模型

3：模型预测

输入命令：

python3 tools/infer.py 
-c ./ppcls/configs/quick_start/ResNet50_vd.yaml             # 配置文件路径 
-o Infer.infer_imgs=dataset/flowers102/jpg/image_00001.jpg  # 预测图片路径
-o Global.pretrained_model=output/ShuffleNetV2_x0_25/best_model  # 训练输出模型路径

三：模型的导出和预测

1：分类模型转换为inference模型 配置文件

输入命令

python tools/export_model.py 
-c ./ppcls/configs/quick_start/ResNet50_vd.yaml             # 配置文件路径 
-o Global.pretrained_model=./output/RecModel/latest  
# 参数设置待转换的训练模型地址，不用添加文件后缀 .pdmodel .pdopt .pdparams
-o Global.save_inference_dir=./inference/
# 参数设置转换的模型将保存的地址。

转换如果出错

• 去Github下载原版 重新走一遍流程
• 注意自己的配置文件是否正确 例如：OCRlabel.txt 文件路径 以及内容正确性。
  

2：转换成功后 inference文件下会生成3个文件

3：模型预测

首先 cd deploy 文件夹下  更改配置文件

输入命令：

python python/predict_cls.py

-c configs/inference_cls.yaml

-o Global.infer_imgs=images/ILSVRC2012_val_00010010.jpeg

如果在cpu下 ：加上

-o Global.use_gpu=False