Skip to content

Latest commit

 

History

History
85 lines (57 loc) · 2.76 KB

quick_start_cn.md

File metadata and controls

85 lines (57 loc) · 2.76 KB

English | 简体中文

快速开始

为了让大家快速了解PaddleSeg,本文档使用一个简单示例进行演示。在实际业务中,建议大家根据实际情况进行调整适配。

在开始下面示例之前,请大家确保已经安装好PaddleSeg开发环境(安装说明)。

1 准备数据

本示例将使用视盘分割(optic disc segmentation)数据集,数据集的原始图像和分割效果图如下所示。

通过以下命令可以下载视盘分割数据集(下载链接),解压保存到PaddleSeg/data目录下。

cd PaddleSeg
mkdir data
cd data
wget https://paddleseg.bj.bcebos.com/dataset/optic_disc_seg.zip
unzip optic_disc_seg.zip
cd ..

2 准备配置文件

我们常用PaddleSeg配置化驱动方式进行开发,配置文件是模型训练、评估、预测和部署的关键。

配置文件中定义了分割模型、损失函数、训练超参、训练数据集、验证数据集等信息。

本示例使用的配置文件是:PaddleSeg/configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml

3 模型训练

在PaddleSeg根目录下,执行如下命令进行单机训练。

export CUDA_VISIBLE_DEVICES=0 # Linux下设置1张可用的卡
# set CUDA_VISIBLE_DEVICES=0 # Windows下设置1张可用的卡

python train.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --save_interval 500 \
       --do_eval \
       --use_vdl \
       --save_dir output

训练完成后,模型在验证集上的mIoU达到90.65%(数据可能变动),模型权重保存在PaddleSeg/output/

4 模型评估

在PaddleSeg根目录下,执行如下命令使用val.py脚本来评估模型的精度,即计算验证数据集的精度。

python val.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --model_path output/best_model/model.pdparams

5 模型预测

在PaddleSeg根目录下,执行如下命令使用predict.py脚本加载模型,对图像进行预测,并且保存预测结果。

python predict.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --model_path output/best_model/model.pdparams \
       --image_path data/optic_disc_seg/JPEGImages/H0002.jpg \
       --save_dir output/result

预测完成,可以在PaddleSeg/output/result目录下查看预测结果,如下图。

6 后续

上述模型训练、评估、训练完后,就可以导出并部署预测模型了,具体请参考PaddleSeg的详细文档。