Skip to content

Latest commit

 

History

History
133 lines (100 loc) · 4.95 KB

README.md

File metadata and controls

133 lines (100 loc) · 4.95 KB

使用教程——训练模型

本目录中整理了使用PaddleRS训练模型的示例代码。代码中均提供对示例数据的自动下载，并均使用GPU对模型进行训练。

示例代码路径 任务 模型
change_detection/bit.py 变化检测 BIT
change_detection/cdnet.py 变化检测 CDNet
change_detection/changeformer.py 变化检测 ChangeFormer
change_detection/dsamnet.py 变化检测 DSAMNet
change_detection/dsifn.py 变化检测 DSIFN
change_detection/fc_ef.py 变化检测 FC-EF
change_detection/fc_siam_conc.py 变化检测 FC-Siam-conc
change_detection/fc_siam_diff.py 变化检测 FC-Siam-diff
change_detection/fccdn.py 变化检测 FCCDN
change_detection/p2v.py 变化检测 P2V-CD
change_detection/snunet.py 变化检测 SNUNet
change_detection/stanet.py 变化检测 STANet
classification/condensenetv2.py 场景分类 CondenseNet V2
classification/hrnet.py 场景分类 HRNet
classification/mobilenetv3.py 场景分类 MobileNetV3
classification/resnet50_vd.py 场景分类 ResNet50-vd
image_restoration/drn.py 图像复原 DRN
image_restoration/esrgan.py 图像复原 ESRGAN
image_restoration/lesrcnn.py 图像复原 LESRCNN
object_detection/faster_rcnn.py 目标检测 Faster R-CNN
object_detection/ppyolo.py 目标检测 PP-YOLO
object_detection/ppyolo_tiny.py 目标检测 PP-YOLO Tiny
object_detection/ppyolov2.py 目标检测 PP-YOLOv2
object_detection/yolov3.py 目标检测 YOLOv3
semantic_segmentation/bisenetv2.py 图像分割 BiSeNet V2
semantic_segmentation/deeplabv3p.py 图像分割 DeepLab V3+
semantic_segmentation/factseg.py 图像分割 FactSeg
semantic_segmentation/farseg.py 图像分割 FarSeg
semantic_segmentation/fast_scnn.py 图像分割 Fast-SCNN
semantic_segmentation/hrnet.py 图像分割 HRNet
semantic_segmentation/unet.py 图像分割 UNet

环境准备

PaddleRS代码会跟随开发进度不断更新，可以安装develop分支的代码使用最新的功能，安装方式如下：

git clone https://github.com/PaddlePaddle/PaddleRS
cd PaddleRS
git checkout develop
pip install -r requirements.txt
python setup.py install

若在使用python setup.py install时下载依赖缓慢或超时，可以在setup.py相同目录下新建setup.cfg，并输入以下内容，则可通过清华源进行加速下载：

[easy_install]
index-url=https://pypi.tuna.tsinghua.edu.cn/simple
  • （可选）GDAL安装

PaddleRS支持对多种类型卫星数据的读取。完整使用PaddleRS的遥感数据读取功能需要安装GDAL，安装方式如下：

  • Linux / MacOS

推荐使用conda进行安装:

conda install gdal
  • Windows

Windows用户可以在此站点下载与Python和系统版本相对应的.whl格式安装包到本地，以GDAL‑3.3.3‑cp39‑cp39‑win_amd64.whl为例，使用pip工具安装:

pip install GDAL‑3.3.3‑cp39‑cp39‑win_amd64.whl

*Docker安装

  1. 从dockerhub拉取:
docker pull paddlepaddle/paddlers:1.0.0  # 暂无
  • （可选）从头开始构建，可以通过设置PPTAG选择PaddlePaddle的多种基础镜像，构建CPU或不同GPU环境:
git clone https://github.com/PaddlePaddle/PaddleRS
cd PaddleRS
docker build -t <imageName> .  # 默认为2.4.1的cpu版本
# docker build -t <imageName> . --build-arg PPTAG=2.4.1-gpu-cuda10.2-cudnn7.6-trt7.0  # 2.4.1的gpu版本之一
# 其余Tag可以参考：https://hub.docker.com/r/paddlepaddle/paddle/tags
  1. 启动镜像
docker iamges  # 查看镜像的ID
docker run -it <imageID>

开始训练

  • 在安装完成PaddleRS后，使用如下命令执行单卡训练。脚本将自动下载训练数据。以DeepLab V3+图像分割模型为例：
# 指定需要使用的GPU设备编号
export CUDA_VISIBLE_DEVICES=0
python tutorials/train/semantic_segmentation/deeplabv3p.py
  • 如需使用多块GPU进行训练，例如使用2张显卡时，执行如下命令：
python -m paddle.distributed.launch --gpus 0,1 tutorials/train/semantic_segmentation/deeplabv3p.py

VisualDL可视化训练指标

将传入train()方法的use_vdl参数设为True，则模型训练过程中将自动把训练日志以VisualDL的格式存储到save_dir（用户自己指定的路径）目录下名为vdl_log的子目录中。用户可以使用如下命令启动VisualDL服务，查看可视化指标。同样以DeepLab V3+模型为例：

# 指定端口号为8001
visualdl --logdir output/deeplabv3p/vdl_log --port 8001

服务启动后，使用浏览器打开 https://0.0.0.0:8001 或 https://localhost:8001 即可进入可视化页面。