【51CTO.com原創(chuàng)稿件】 

1.前言

11月1日，百度發(fā)布了Paddle Fluid的1.1版本，作為國內(nèi)***深度學(xué)習(xí)框架，PaddlePaddle對中文社區(qū)非常友好，有完善的中文社區(qū)、項目為導(dǎo)向的中文教程，可以讓更多中文使用者更方便地進行深度學(xué)習(xí)、機器學(xué)習(xí)相關(guān)的研究和實踐。我本人也非常希望PaddlePaddle能夠不斷發(fā)展壯大，畢竟這是國內(nèi)公司為開源社區(qū)做出的一項非常有意義的貢獻。為了一探Paddle Fluid 1.1版本究竟做了哪些方面的更新，筆者***時間安裝了新發(fā)布的版本，用一個基于SSD的目標檢測任務(wù)來測試一下新版PaddlePaddle的表現(xiàn)。

2.什么是目標檢測

圖像識別對于做視覺的同學(xué)來說應(yīng)該是一個非常熟悉的任務(wù)了，最初深度學(xué)習(xí)就是是應(yīng)用于圖像識別任務(wù)的，舉例來說，給計算機一張汽車圖片，讓它判斷這圖片里有沒有汽車。

[[252202]]

對于背景干凈的圖片來說，這樣做很有意義也比較容易。但是如果是一張包含豐富元素的圖片，不僅識別難度大大提高，僅僅判斷出里面有沒有圖片的意義也不大了，我們需要找到到底在讀片的什么位置出現(xiàn)了一輛汽車，這就提出了一個新的任務(wù)和需求——目標檢測。

[[252203]]

我們的任務(wù)就是給定一張圖像或是一個視頻幀，讓計算機找出其中所有目標的位置，并給出每個目標的具體類別。對于人類來說，目標檢測是一個非常簡單的任務(wù)。然而，計算機能夠“看到”的是圖像被編碼之后的數(shù)字，很難解圖像或是視頻幀中出現(xiàn)了人或是物體這樣的高層語義概念，也就更加難以定位目標出現(xiàn)在圖像中哪個區(qū)域。

與此同時，由于目標會出現(xiàn)在圖像或是視頻幀中的任何位置，目標的形態(tài)千變?nèi)f化，圖像或是視頻幀的背景千差萬別，諸多因素都使得目標檢測對計算機來說是一個具有挑戰(zhàn)性的問題。目前主流的方法是FasterRCNN、YOLO和SSD，本文使用SSD進行實驗。

3.PaddlePaddle簡介

***次聽到PaddlePaddle是在CCF前線研討會上，當(dāng)時幾個人聊起來關(guān)于機器學(xué)習(xí)算法平臺的事情，有一位小伙伴提起了這個名字，所以一段時間以來我一直認為這是一個機器學(xué)習(xí)算法平臺。直到16年百度開源了PaddlePaddle我才知道，原來這是一個可以跟TensorFlow媲美的深度學(xué)習(xí)框架，主打“易用、高效、靈活、可擴展”。所以，簡單來說，PaddlePaddle就是百度自研的一套深度學(xué)習(xí)框架（看過發(fā)布會后了解到，百度為此建立了一套覆蓋面非常廣的生態(tài)，包括金融、推薦、決策等，但筆者主要是對PaddlePaddle的核心框架進行測評，不在此浪費過多筆墨了）。

3.1如何安裝

筆者的工作站是Ubuntu 16.04系統(tǒng)，PaddlePaddle在CentOS和Ubuntu都支持pip安裝和docker安裝，GPU版本在Linux下也可以***適配。下面來看一下具體的安裝步驟。

首先我們使用cat /proc/cpuinfo | grep avx2來查看我們的Ubuntu系統(tǒng)是否支持avx2指令集，如果發(fā)現(xiàn)系統(tǒng)返回了如下一系列信息，就說明系統(tǒng)是支持avx2指令集的，可以放心進行后續(xù)安裝。如果不支持也沒關(guān)系，在官網(wǎng)上可以直接下載no_avx的whl包進行安裝。

接下來使用pip安裝***的Fluid v1.1版本的PaddlePaddle(GPU)，在安裝前注意，需要在機器上安裝python3.5-dev才可以用pip安裝PaddlePaddle。下載速度會比較慢，需要20分鐘左右的下載時間。

安裝完成后，在python里import paddle測試一下，如果成功導(dǎo)入則說明安裝成功！

在更新的Paddle Fluid v1.1版本中還特意優(yōu)化了對MacOS的支持，可以直接通過pip安裝，也可以用源碼編譯安裝。具體細節(jié)可參考：http://www.paddlepaddle.org/documentation/docs/zh/1.1/beginners_guide/install/Start.html

3.2PaddlePaddle的計算描述方式

框架的計算描述方式是深度學(xué)習(xí)項目開發(fā)者非常關(guān)注的一個問題。計算的描述方式經(jīng)歷了從Caffe1.0時代的一組連續(xù)執(zhí)行的layers到TensorFlow的變量和操作構(gòu)成的計算圖再到PaddlePaddle Fluid^[1]提出不再有模型的概念一系列的演變。那么PaddlePaddle現(xiàn)在是怎么描述計算的呢？

PaddlePaddle使用Program來描述模型和優(yōu)化過程，可以把它簡單理解為數(shù)據(jù)流的控制過程。Program由Block、Operator和Variable構(gòu)成，variable和operator被組織成為多個可以嵌套的block。具體的，如果要實現(xiàn)一個神經(jīng)網(wǎng)絡(luò)，我們只需要通過添加必要的variable、operator來定義網(wǎng)絡(luò)的前向計算，而反向計算、內(nèi)存管理、block創(chuàng)建都由框架來完成。下面展示一下如何在PaddlePaddle中定義program：

以一個簡單的線性回歸為例，我們這樣定義前向計算邏輯：

#定義輸入數(shù)據(jù)類型

x = fluid.layers.data(name="x",shape=[1],dtype='float32')

#搭建全連接網(wǎng)絡(luò)

y_predict = fluid.layers.fc(input=x,size=1,act=None)

定義好計算邏輯后，與TensorFlow一樣，下一步就需要定義損失函數(shù)，feed數(shù)據(jù)，開始訓(xùn)練，feed數(shù)據(jù)也是在執(zhí)行運算的時候進行，我們先定義一下數(shù)據(jù)，這里train_data 就是我們的輸入數(shù)據(jù)，y_true是label：

train_data=numpy.array([[1.0],[2.0],[3.0],[4.0]]).astype('float32')

y_true = numpy.array([[2.0],[4.0],[6.0],[8.0]]).astype('float32')

添加均方誤差損失函數(shù)(MSE)，框架會自動完成反向計算：

cost = fluid.layers.square_error_cost(input=y_predict,label=y)

avg_cost = fluid.layers.mean(cost)

執(zhí)行我們定義的上述Program：

cpu = fluid.core.CPUPlace()

exe = fluid.Executor(cpu)

exe.run(fluid.default_startup_program())

#開始訓(xùn)練

outs = exe.run(

feed={'x':train_data,'y':y_true},

fetch_list=[y_predict.name,avg_cost.name])

#觀察結(jié)果

print outs

輸出結(jié)果：

[array([[0.9010564],

[1.8021128],

[2.7031693],

[3.6042256]], dtype=float32), array([9.057577], dtype=float32)]

這樣就用PaddlePaddle實現(xiàn)了簡單的計算流程，個人感覺使用起來跟TensorFlow的相似度較高，習(xí)慣在TensorFlow上跑模型的小伙伴應(yīng)該很容易適應(yīng)PaddlePaddle的這一套生態(tài)。

關(guān)于PaddlePaddle計算描述的詳情可以參考Fluid編程指南：http://www.paddlepaddle.org/documentation/docs/zh/1.1/beginners_guide/programming_guide/programming_guide.html

3.3PaddlePaddle的模型庫簡介

PaddlePaddle的核心框架內(nèi)置了非常多的經(jīng)典模型和網(wǎng)絡(luò)，涵蓋了幾乎所有主流的機器學(xué)習(xí)/深度學(xué)習(xí)任務(wù)，包括圖像、語音、自然語言處理、推薦等諸多方面。因為本文是做目標檢測，所以主要調(diào)研了一下圖像方面的模型庫，在此大致介紹一下。

3.3.1分類

分類任務(wù)中的模型庫是最全面的，AlexNet、VGG、GoogleNet、ResNet、Inception、MobileNet、Dual Path Network以及SE-ResNeXt，2012年以來的經(jīng)典圖像識別網(wǎng)絡(luò)都包含其中，每個網(wǎng)絡(luò)模型是一個獨立的py文件，里面是這個網(wǎng)絡(luò)模型的類，類里面公用的方法是net()，在調(diào)用時初始化對應(yīng)的類之后調(diào)用.net()方法，就可以得到對應(yīng)網(wǎng)絡(luò)的Program描述，之后只需要給網(wǎng)絡(luò)feed數(shù)據(jù)、定義損失函數(shù)、優(yōu)化方法等就可以輕松使用了。分類模型作為圖像任務(wù)的基礎(chǔ)任務(wù)，在目標檢測、語義分割等任務(wù)中都會重復(fù)利用這些模型，所以這樣一個模型庫可以為大大簡化后續(xù)任務(wù)的開發(fā)工作。這部分的模型庫里的寫法比較統(tǒng)一，只要了解網(wǎng)絡(luò)結(jié)構(gòu)，用.net()方法調(diào)用就可以，這里就不一一介紹了，具體可以參考：https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/image_classification/models。

3.3.2目標檢測

SSD

Single Shot MultiBox Detector (SSD) 是一種單階段的目標檢測器。與兩階段的檢測方法不同，單階段目標檢測并不進行區(qū)域推薦，而是直接從特征圖回歸出目標的邊界框和分類概率。SSD 運用了這種單階段檢測的思想，并且對其進行改進：在不同尺度的特征圖上檢測對應(yīng)尺度的目標。如下圖所示，SSD 在六個尺度的特征圖上進行了不同層級的預(yù)測。每個層級由兩個3x3卷積分別對目標類別和邊界框偏移進行回歸。因此對于每個類別，SSD 的六個層級一共會產(chǎn)生 38x38x4 + 19x19x6 + 10x10x6 + 5x5x6 + 3x3x4 + 1x1x4 = 8732 個檢測結(jié)果。

SSD 目標檢測模型

SSD 可以方便地插入到任何一種標準卷積網(wǎng)絡(luò)中，比如 VGG、ResNet 或者 MobileNet，這些網(wǎng)絡(luò)被稱作檢測器的基網(wǎng)絡(luò)。PaddlePaddle里的SSD使用Google的MobileNet作為基網(wǎng)絡(luò)。

目標檢測模型庫不同于分類模型庫，PaddlePaddle是以一個工程的形式提供SSD的模型庫。工程里面包含如下文件：

其中，train.py、reader.py、mobilenet_ssd.py是與網(wǎng)絡(luò)訓(xùn)練相關(guān)的文件，包括數(shù)據(jù)讀取、網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練參數(shù)等過程的定義都在這3個文件中；eval.py、eval_coco_map.py是網(wǎng)絡(luò)預(yù)測評估相關(guān)文件；infer.py是可視化預(yù)測結(jié)果相關(guān)文件。Data文件夾用于存儲數(shù)據(jù)集，使用時可以把訓(xùn)練集、測試集、驗證集放在data目錄下，reader會在data目錄下尋找圖片數(shù)據(jù)加載；pretrained目錄存放預(yù)訓(xùn)練模型，如果不想從頭訓(xùn)練一個SSD，可以把預(yù)訓(xùn)練好的模型放在這個目錄下，方便進行遷移學(xué)習(xí)。

4.PaddlePaddle實現(xiàn)SSD的目標檢測

有了上述的一些基礎(chǔ)，我們就可以輕松使用PaddlePaddle上手一些項目了。現(xiàn)在我們就來實現(xiàn)一個基于SSD的目標檢測任務(wù)。

4.1服務(wù)器配置

系統(tǒng)：Ubuntu 16.04

GPU：NVIDIA GTX 1080*4 顯存：8GB

環(huán)境：python 3.5

4.2框架配置

Paddle Fluid v1.1 GPU版本

4.3數(shù)據(jù)準備

我們使用微軟的COCO2017數(shù)據(jù)集來預(yù)訓(xùn)練模型（PaddlePaddle提供了一個基于COCO的預(yù)訓(xùn)練模型，可以直接使用），COCO數(shù)據(jù)集是微軟團隊獲取的一個可以用來圖像recognition+segmentation+captioning 數(shù)據(jù)集，其官方說明網(wǎng)址：http://mscoco.org/。微軟在ECCV Workshops里發(fā)表文章《Microsoft COCO: Common Objects in Context》更充分地介紹了該數(shù)據(jù)集。COCO以場景理解為目標，從復(fù)雜場景中截取了328,000張影像，包括了91類目標和2,500,000個label。整個COCO2017數(shù)據(jù)集20G，官網(wǎng)下載非常慢，可以在國內(nèi)找一些鏡像站下載，數(shù)據(jù)集里分好了訓(xùn)練集、測試集和驗證集，標注和file_list用json文件保存。

拿到預(yù)訓(xùn)練數(shù)據(jù)集后，我們在Pascal VOC數(shù)據(jù)集上對模型進行進一步訓(xùn)練，做一下微調(diào)。Pascal VOC數(shù)據(jù)集相較COCO數(shù)據(jù)集來說圖片數(shù)量和種類小很多，共計20類，11540張訓(xùn)練圖片，標注采用xml格式文件保存。

4.4數(shù)據(jù)讀取

圖片格式為jpg，需要對圖像進行轉(zhuǎn)碼讀取，SSD中的reader.py文件幫助我們實現(xiàn)了這個功能，內(nèi)置的數(shù)據(jù)讀取使用了一個生成器來逐個batch讀取圖片并轉(zhuǎn)碼，這樣內(nèi)存占用率非常低。由于我們機器內(nèi)存不大，設(shè)置的batch為32，在此情況下load十萬張圖片的annotation只需要17秒左右，每一個batch的load+train時間只需要0.3秒左右。

可以看一下這個reader的核心代碼：

def reader():

if mode == 'train' and shuffle:

np.random.shuffle(images)

batch_out = []

for image in images:

image_name = image['file_name']

image_path = os.path.join(settings.data_dir, image_name)

im = Image.open(image_path)

if im.mode == 'L':

im = im.convert('RGB')

im_width, im_height = im.size

im_id = image['id']

# layout: category_id | xmin | ymin | xmax | ymax | iscrowd

bbox_labels = []

annIds = coco.getAnnIds(imgIds=image['id'])

anns = coco.loadAnns(annIds)

for ann in anns:

bbox_sample = []

# start from 1, leave 0 to background

bbox_sample.append(float(ann['category_id']))

bbox = ann['bbox']

xmin, ymin, w, h = bbox

xmax = xmin + w

ymax = ymin + h

bbox_sample.append(float(xmin) / im_width)

bbox_sample.append(float(ymin) / im_height)

bbox_sample.append(float(xmax) / im_width)

bbox_sample.append(float(ymax) / im_height)

bbox_sample.append(float(ann['iscrowd']))

bbox_labels.append(bbox_sample)

im, sample_labels = preprocess(im, bbox_labels, mode, settings)

sample_labels = np.array(sample_labels)

if len(sample_labels) == 0: continue

im = im.astype('float32')

boxes = sample_labels[:, 1:5]

lbls = sample_labels[:, 0].astype('int32')

iscrowd = sample_labels[:, -1].astype('int32')

if 'cocoMAP' in settings.ap_version:

batch_out.append((im, boxes, lbls, iscrowd,

[im_id, im_width, im_height]))

else:

batch_out.append((im, boxes, lbls, iscrowd))

if len(batch_out) == batch_size:

yield batch_out

batch_out = []

可以看到，這里的reader是一個生成器，逐個batch把數(shù)據(jù)load進內(nèi)存。在數(shù)據(jù)讀取過程中，需要注意一下幾點：

1. 數(shù)據(jù)集需要放在項目的data目錄下，reader通過annotations下的instances_train2017.json文件區(qū)分訓(xùn)練集和驗證集，不需要在data目錄下用文件夾區(qū)分訓(xùn)練集和驗證集。

2. 如果數(shù)據(jù)沒有按要求保存，則需要在reader.py修改數(shù)據(jù)路徑：

class Settings(object):

def __init__(self,

dataset=None,

data_dir=None,

label_file=None,

resize_h=300,

resize_w=300,

mean_value=[127.5, 127.5, 127.5],

apply_distort=True,

apply_expand=True,

ap_version='11point'):

self._dataset = dataset

self._ap_version = ap_version

# 把data_dir替換為數(shù)據(jù)所在路徑

self._data_dir = data_dir

if 'pascalvoc' in dataset:

self._label_list = []

label_fpath = os.path.join(data_dir, label_file)

for line in open(label_fpath):

self._label_list.append(line.strip())

1. 如果遇到NoneType is not iterable的錯誤，一般是由于數(shù)據(jù)讀取錯誤導(dǎo)致的，仔細檢查文件路徑應(yīng)該可以解決。

2. 讀取PascalVOC數(shù)據(jù)集用reader.py文件中的pascalvoc()函數(shù)，兩個數(shù)據(jù)集的文件結(jié)構(gòu)和標注不太一樣，Paddle為我們寫好了兩個版本數(shù)據(jù)集的讀取方法，可以直接調(diào)用。

4.5模型訓(xùn)練

數(shù)據(jù)讀取完成后，就可以著手開始模型的訓(xùn)練了，這里直接使用PaddlePaddle SSD model里面的train.py進行訓(xùn)練：

python -u train.py

train.py里為所有的超參數(shù)都設(shè)置了缺省值，不熟悉PaddlePaddle參數(shù)調(diào)整的工程師可以直接用缺省參數(shù)進行訓(xùn)練，非常方便。如果需要，可以根據(jù)下表進行對應(yīng)超參數(shù)的修改：

參數(shù)名	類型	意義
learning_rate	Float	學(xué)習(xí)率
batch_size	Int	Batch大小
epoc_num	Int	迭代次數(shù)
use_gpu	Bool	是否使用GPU訓(xùn)練
parallel	Bool	是否使用多卡訓(xùn)練
dataset	Str	數(shù)據(jù)集名稱
model_save_dir	Str	模型保存路徑
pretrained_model	Str	預(yù)訓(xùn)練模型路徑(如果使用)
image_shape	Str	輸入圖片尺寸
data_dir	Str	數(shù)據(jù)集路徑

在執(zhí)行腳本時，傳入相應(yīng)的參數(shù)值即可，例如：

python -u train.py --batch_size=16 --epoc_num=1 --dataset='pascalvoc' --pretrained_model='pretrain/ssd_mobilenet_v1_coco/'

4.5.1單機多卡配置

單機多卡的配置相較于多機多卡配置較為簡單，參數(shù)需要先在GPU0上初始化，再經(jīng)由fluid.ParallelExecutor() 分發(fā)到多張顯卡上。這里可以使用fluid.core.get_cuda_device_count()得到可用顯卡數(shù)量，也可以自己定義用幾張顯卡。

train_exe = fluid.ParallelExecutor(use_cuda=True, loss_name=loss.name,

main_program=fluid.default_main_program())

train_exe.run(fetch_list=[loss.name], feed={...})

4.5.2參數(shù)調(diào)整

PaddlePaddle這一套SSD模型給了使用者非常大的自由度，可以對網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)、優(yōu)化方法等多個角度對模型進行調(diào)整。本文采用的是基于MobileNet的SSD，如果想使用基于VGG的SSD，可以自己修改工程中的mobilenet_ssd.py文件，把里面定義的MobileNet Program更改為VGG的Program描述就可以了；如果需要修改損失函數(shù)或優(yōu)化方法，則在train.py中找到build_program()函數(shù)，在

with fluid.unique_name.guard("train"):

loss = fluid.layers.ssd_loss(locs, confs, gt_box, gt_label, box,

box_var)

loss = fluid.layers.reduce_sum(loss)

optimizer = optimizer_setting(train_params)

optimizer.minimize(loss)

里修改損失函數(shù)或優(yōu)化器即可；修改batch_num、epoch_num、learning rate等參數(shù)可以直接在train.py傳入?yún)?shù)中進行。

4.5.3模型保存

模型在COCO數(shù)據(jù)集上訓(xùn)練完后，可以用fluid.io.save_persistables()方法將模型保存下來，我們實現(xiàn)了如下save_model()函數(shù)來將模型保存到指定路徑。

def save_model(postfix, main_prog, model_path):

model_path = os.path.join(model_save_dir, postfix)

if os.path.isdir(model_path):

shutil.rmtree(model_path)

print('save models to %s' % (model_path))

fluid.io.save_persistables(exe, model_path, main_program=main_prog)

4.5.4繼續(xù)訓(xùn)練

訓(xùn)練過程有時候會被打斷，只要每個過幾個batch保存一下模型，我們就可以通過load_vars()方法來恢復(fù)已經(jīng)保存的模型來繼續(xù)訓(xùn)練或者用于預(yù)測。文中提到的這些API，大家可以去PaddlePaddle的官網(wǎng)教程上進行更系統(tǒng)的學(xué)習(xí)和查看，PaddlePaddle提供了大量的中文文檔和使用教程，對中文使用者可以說是非常友好的了。

fluid.io.load_vars(exe, pretrained_model, main_program=train_prog, predicate=if_exist)

4.5.5性能參數(shù)

訓(xùn)練速度：在COCO2017數(shù)據(jù)集上單卡訓(xùn)練，迭代1個epoch耗時3 min33s；單機4卡訓(xùn)練，迭代1個epoch耗時1min02s。

CPU/GPU占用率：正常訓(xùn)練情況下CPU占用率在40%-60%之間，GPU占用率穩(wěn)定在50%左右。

CPU/GPU使用情況

4.6模型評估

在PaddlePaddle的SSD模型中，可以使用eval.py腳本進行模型評估，可以選擇11point、integral等方法來計算模型在驗證集上的mAP。

python eval.py --dataset='pascalvoc' --model_dir='train_pascal_model/best_model' --data_dir='data/pascalvoc' --test_list='test.txt' --ap_version='11point' --nms_threshold=0.45

其中，model_dir是我們訓(xùn)練好的模型的保存目錄，data_dir是數(shù)據(jù)集目錄，test_list是作為驗證集的文件列表（txt文件），前提是這些文件必須要有對應(yīng)的標簽文件，ap_version是計算mAP的方法，nms_threshold是分類閾值。***我們得到PaddlePaddle SSD模型在Pascal VOC數(shù)據(jù)集上的mAP為73.32%^[2]

模型	預(yù)訓(xùn)練模型	訓(xùn)練數(shù)據(jù)	測試數(shù)據(jù)	mAP
MobileNet-v1-SSD 300x300	COCO MobileNet SSD	VOC07+12 trainval	VOC07 test	73.32%

4.7模型預(yù)測及可視化

4.7.1模型預(yù)測

模型訓(xùn)練完成后，用test_program = fluid.default_main_program().clone(for_test=True)將Program轉(zhuǎn)換到test模式，然后把要預(yù)測的數(shù)據(jù)feed進Executor執(zhí)行Program就可以計算得到圖像的分類標簽、目標框的得分、xmin、ymin、xmax、ymax。具體過程如下：

test_program = fluid.default_main_program().clone(for_test=True)

image = fluid.layers.data(name='image', shape=image_shape, dtype='float32')

locs, confs, box, box_var = mobile_net(num_classes, image, image_shape)

nmsed_out = fluid.layers.detection_output(

locs, confs, box, box_var, nms_threshold=args.nms_threshold)

place = fluid.CUDAPlace(0) if args.use_gpu else fluid.CPUPlace()

exe = fluid.Executor(place)

nmsed_out_v, = exe.run(test_program,

feed=feeder.feed([[data]]),

fetch_list=[nmsed_out],

return_numpy=False)

nmsed_out_v = np.array(nmsed_out_v)

4.7.2預(yù)測結(jié)果可視化

對于目標檢測任務(wù)，我們通常需要對預(yù)測結(jié)果進行可視化進而獲得對結(jié)果的感性認識。我們可以編寫一個程序，讓它在原圖像上畫出預(yù)測框，核心代碼如下：

def draw_bounding_box_on_image(image_path, nms_out, confs_threshold,

label_list):

image = Image.open(image_path)

draw = ImageDraw.Draw(image)

im_width, im_height = image.size

for dt in nms_out:

if dt[1] < confs_threshold:

continue

category_id = dt[0]

bbox = dt[2:]

xmin, ymin, xmax, ymax = clip_bbox(dt[2:])

(left, right, top, bottom) = (xmin * im_width, xmax * im_width,

ymin * im_height, ymax * im_height)

draw.line(

[(left, top), (left, bottom), (right, bottom), (right, top),

(left, top)],

width=4,

fill='red')

if image.mode == 'RGB':

draw.text((left, top), label_list[int(category_id)], (255, 255, 0))

image_name = image_path.split('/')[-1]

print("image with bbox drawed saved as {}".format(image_name))

image.save(image_name)

這樣，我們可以很直觀的看到預(yù)測結(jié)果：

令人欣喜的是，PaddlePaddle的SSD模型中幫我們實現(xiàn)了完整的一套預(yù)測流程，我們可以直接運行SSD model下的infer.py腳本使用訓(xùn)練好的模型對圖片進行預(yù)測：

python infer.py --dataset='coco' --nms_threshold=0.45 --model_dir='pretrained/ssd_mobilenet_v1_coco' --image_path='./data/ pascalvoc/VOCdevkit/VOC2012/JPEGImages/2007_002216.jpg'

4.8模型部署

PaddlePaddle的模型部署需要先安裝編譯C++預(yù)測庫，可以在http://www.paddlepaddle.org/documentation/docs/zh/1.1/user_guides/howto/inference/build_and_install_lib_cn.html下載安裝。預(yù)測庫中提供了Paddle的預(yù)測API，預(yù)測部署過程大致分為三個步驟：1.創(chuàng)建PaddlePredictor；2.創(chuàng)建PaddleTensor傳入PaddlePredictor中；3.獲取輸出 PaddleTensor，輸出結(jié)果。這部分操作也并不復(fù)雜，而且Paddle的教程中也提供了一份部署詳細代碼參考，大家可以很快地利用這個模板完成模型部署(https://github.com/PaddlePaddle/Paddle/tree/develop/paddle/fluid/inference/api/demo_ci)

5.使用感受

• 中文社區(qū)支持好

在搭建SSD過程中，遇到了一些問題，例如segmentation fault、NoneType等，筆者直接在paddle的GitHub上提了相關(guān)issue，很快就得到了contributor的回復(fù)，問題很快得到了解決。

• 教程完善

PaddlePaddle的官網(wǎng)上提供了非常詳盡的中英文教程，相較于之前學(xué)TensorFlow的時候經(jīng)常看文檔看半天才能理解其中的意思，PaddlePaddle對于中文使用者真是一大福音。

• 相比較TensorFlow，整體架構(gòu)簡明清晰，沒有太多難以理解的概念。
• 模型庫豐富

內(nèi)置了CV、NLP、Recommendation等多種任務(wù)常用經(jīng)典的模型，可以快速開發(fā)迭代AI產(chǎn)品。

• 性能優(yōu)越，生態(tài)完整

從這次實驗的結(jié)果來看，PaddlePaddle在性能上與TensorFlow等主流框架的性能差別不大，訓(xùn)練速度、CPU/GPU占用率等方面均表現(xiàn)優(yōu)異，而且PaddlePaddle已經(jīng)布局了一套完整的生態(tài)，前景非常好。

6.總結(jié)

整體來說，PaddlePaddle是一個不錯的框架。由于設(shè)計簡潔加之文檔、社區(qū)做的很好，非常容易上手，在使用過程中也沒有非常難理解的概念，用fluid Program定義網(wǎng)絡(luò)結(jié)構(gòu)很方便，對于之前使用過TensorFlow的工程師來說可以比較快速的遷移到PaddlePaddle上。這次實驗過程中，還是發(fā)現(xiàn)了一些PaddlePaddle的問題，訓(xùn)練過程如果意外終止，Paddle的訓(xùn)練任務(wù)并沒有被完全kill掉，依然會占用CPU和GPU大量資源，內(nèi)存和顯存的管理還需要進一步的提高。不過，實驗也證實了，正常情況下PaddlePaddle在SSD模型上的精度、速度等性能與TensorFlow差不多，在數(shù)據(jù)讀取操作上比TensorFlow要更加簡潔明了。

1. PaddlePaddle Fluid是2016年百度對原有PaddlePaddle的重構(gòu)版本，如無特殊說明，本文中所述PaddlePaddle均指PaddlePaddle Fluid。

2. 此處引用了官方的評估結(jié)果，數(shù)據(jù)來源：https://github.com/PaddlePaddle/models/blob/develop/fluid/PaddleCV/object_detection/README_cn.md#%E6%A8%A1%E5%9E%8B%E8%AF%84%E4%BC%B0 

 

【51CTO原創(chuàng)稿件，合作站點轉(zhuǎn)載請注明原文作者和出處為51CTO.com】