Skip to content

Latest commit

 

History

History
100 lines (76 loc) · 4 KB

README.md

File metadata and controls

100 lines (76 loc) · 4 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/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
  • (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

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://0.0.0.0:8001https://localhost:8001 即可进入可视化页面。