Skip to content

Latest commit

 

History

History
118 lines (84 loc) · 4.66 KB

usage.md

File metadata and controls

118 lines (84 loc) · 4.66 KB
Raw

PaddleSeg快速入门

本教程通过一个简单的示例，说明如何基于PaddleSeg启动训练（训练可视化）、评估和可视化。我们选择基于COCO数据集预训练的unet模型作为预训练模型，以一个眼底医疗分割数据集为例。

1.准备工作

在开始教程前，请先确认准备工作已经完成：

  1. 正确安装了PaddlePaddle
  2. PaddleSeg相关依赖已经安装

如果有不确认的地方，请参考首页安装说明

2.下载待训练数据

我们提前准备好了一份眼底医疗分割数据集--视盘分割（optic disc segmentation），包含267张训练图片、76张验证图片、38张测试图片。通过以下命令进行下载：

# 下载待训练数据集
python dataset/download_optic.py

3.下载预训练模型

# 下载预训练模型并进行解压
python pretrained_model/download_model.py unet_bn_coco

4.模型训练

为了方便体验，我们在configs目录下放置了配置文件unet_optic.yaml，可以通过--cfg指向该文件来设置训练配置。

可以通过环境变量CUDA_VISIBLE_DEVICES来指定GPU卡号。

# 指定GPU卡号（以0号卡为例）
export CUDA_VISIBLE_DEVICES=0
# 训练
python pdseg/train.py --cfg configs/unet_optic.yaml \
                      --use_gpu \
                      --do_eval \
                      --use_vdl \
                      --vdl_log_dir train_log \
                      BATCH_SIZE 4 \
                      SOLVER.LR 0.001

若需要使用多块GPU，以0、1、2号卡为例，可输入

export CUDA_VISIBLE_DEVICES=0,1,2

NOTE:

  • 如果发现因为内存不足而Crash。请适当调低BATCH_SIZE。如果本机GPU内存充足，则可以调高BATCH_SIZE的大小以获得更快的训练速度，BATCH_SIZE增大时，可以适当调高学习率SOLVER.LR.

  • 如果在Linux系统下训练，可以使用--use_mpio使用多进程I/O，通过提升数据增强的处理速度进而大幅度提升GPU利用率。

5.训练过程可视化

训练过程可视化需要在启动训练脚本train.py时，打开--do_eval和--use_vdl两个开关，并设置日志保存目录--vdl_log_dir，然后便可以通过VisualDL查看边训练边评估的效果。

visualdl --logdir train_log --host {$HOST_IP} --port {$PORT}

NOTE:

  1. 上述示例中，$HOST_IP为机器IP地址，请替换为实际IP，$PORT请替换为可访问的端口。
  2. 数据量较大时，前端加载速度会比较慢，请耐心等待。

启动VisualDL命令后，我们可以在浏览器中查看对应的训练数据。 在SCALAR这个tab中，查看训练loss、iou、acc的变化趋势。

在IMAGE这个tab中，查看样本图片。

6.模型评估

训练完成后，我们可以通过eval.py来评估模型效果。由于我们设置的训练EPOCH数量为10，保存间隔为5，因此一共会产生2个定期保存的模型，加上最终保存的final模型，一共有3个模型。我们选择最后保存的模型进行效果的评估：

python pdseg/eval.py --use_gpu \
                     --cfg configs/unet_optic.yaml \
                     TEST.TEST_MODEL saved_model/unet_optic/final

可以看到，在经过训练后，模型在验证集上的mIoU指标达到了0.85+（由于随机种子等因素的影响，效果会有小范围波动，属于正常情况）。

7.模型可视化

通过vis.py进行测试和可视化，以选择最后保存的模型进行测试为例：

python pdseg/vis.py --use_gpu \
                     --cfg configs/unet_optic.yaml \
                     TEST.TEST_MODEL saved_model/unet_optic/final

执行上述脚本后，会在主目录下产生一个visual文件夹，里面存放着测试集图片的预测结果，我们选择其中1张图片进行查看:

NOTE

  1. 可视化的图片会默认保存在visual目录下，可以通过--vis_dir来指定输出目录。
  2. 训练过程中会使用DATASET.VIS_FILE_LIST中的图片进行可视化显示，而vis.py则会使用DATASET.TEST_FILE_LIST.

在线体验

PaddleSeg在AI Studio平台上提供了在线体验的快速入门教程，欢迎点击体验