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/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 |
-
- 版本要求:PaddlePaddle>=2.2.0
-
PaddleRS安装
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
- (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
- 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
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。