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。

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

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

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

ECV2024 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

2024 极市计算机视觉开发者榜单大赛（以下简称 ECV-2024)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：ECV2024 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

比赛正式 -> 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

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

极市正式 -> 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

登录后复制

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('.webp'):            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    )

登录后复制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

登录后复制等待模型训练完成，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.webp', type=str)    args = parser.parse_known_args()[0]    model = init()    img = cv2.imread(args.img)    process_image(model, img)

登录后复制

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

相关攻略

热门推荐