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