RK3568笔记三十二:PaddleSeg训练部署

一、环境

1、Autodl配置

PyTorch 1.7.0

Python 3.8(ubuntu18.04)

Cuda 11.0

2、所需环境需求

- OS: 64-bit
- Python 3(3.6/3.7/3.8/3.9/3.10)，64-bit version
- pip/pip3(9.0.1+)，64-bit version
- CUDA >= 10.2
- cuDNN >= 7.6
- PaddlePaddle (the version >= 2.4)

3、开发板：ATK-DLRK3568

二、搭建环境

1、创建环境

conda create -n paddleseg_env python=3.8

2、激活

source activate
conda activate paddleseg_env

3、安装PaddlePaddle

python -m pip install paddlepaddle-gpu==2.4.2.post112 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple

验证

>>> import paddle
>>> paddle.utils.run_check()

# If the following prompt appears on the command line, the PaddlePaddle installation is successful.
# PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.

# Confirm PaddlePaddle version
>>> print(paddle.__version__)

4、安装PaddleSeg

1) 下载地址

PaddlePaddle/PaddleSeg at release/2.8 (github.com)

2）安装

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install -v -e .

5、测试

sh tests/install/check_predict.sh

三、训练

1、下载数据集

开源数据集：

https://paddleseg.bj.bcebos.com/dataset/optic_disc_seg.zip

下载后把数据放到 data目录下，没有目录新创建一个

2、train

export CUDA_VISIBLE_DEVICES=0 # Linux上设置1张可用的卡

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

上述训练命令解释：

• --config指定配置文件。
• --save_interval指定每训练特定轮数后，就进行一次模型保存或者评估（如果开启模型评估）。
• --do_eval开启模型评估。具体而言，在训练save_interval指定的轮数后，会进行模型评估。
• --use_vdl开启写入VisualDL日志信息，用于VisualDL可视化训练过程。
• --save_dir指定模型和visualdl日志文件的保存根路径。

开始训练

训练的模型权重保存在output目录下，如下所示。总共训练1000轮，每500轮评估一次并保存模型信息，所以有iter_500和iter_1000文件夹。评估精度最高的模型权重，保存在best_model文件夹。后续模型的评估、测试和导出，都是使用保存在best_model文件夹下精度最高的模型权重。

output
  ├── iter_500          #表示在500步保存一次模型
    ├── model.pdparams  #模型参数
    └── model.pdopt     #训练阶段的优化器参数
  ├── iter_1000         #表示在1000步保存一次模型
    ├── model.pdparams  #模型参数
    └── model.pdopt     #训练阶段的优化器参数
  └── best_model        #精度最高的模型权重
    └── model.pdparams  

train.py脚本输入参数的详细说明如下。

3、模型评估

python tools/val.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --model_path output/iter_1000/model.pdparams

4、模型预测

python tools/predict.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --model_path output/iter_1000/model.pdparams \
       --image_path data/optic_disc_seg/JPEGImages/H0003.jpg \
       --save_dir output/result

5、导出预测模型

PaddleSeg训练好模型J是动态的，将模型导出为预测模型、使用预测库进行部署，可以实现更快的推理速度。

将训练出来的动态图模型转化成静态图预测模型

python tools/export.py \
       --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
       --model_path output/best_model/model.pdparams \
       --save_dir output/infer_model

四、模型导出

1、导出ONNX模型

pip install paddle2onnx
pip install tensorrt
pip install pycuda
pip install onnx
pip install protobuf==3.20.0

python deploy/python/infer_onnx_trt.py \
    --config <path to config> \
    --model_path <path to model> \
    --width <img_width> \
    --height <img_height> 
    
# 注意使用是转换后的静态图预测模型  
python deploy/python/infer_onnx_trt.py \
    --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
    --model_path output/infer_model/model.pdparams \
    --width 512 \
    --height 512 

虽然报错，但导出成功

2、RKNN导出

到处RKNN需要rknn环境，自行搭建

 python convert.py ../model/pp_liteseg_cityscapes.onnx rk3568