# 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 + [PaddlePaddle安装](https://www.paddlepaddle.org.cn/install/quick) - 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: ```shell 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: ```shell conda install gdal ``` - Windows Windows用户可以在[此站点](https://www.lfd.uci.edu/~gohlke/pythonlibs/#gdal)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: ```shell 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: ```shell # 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: ```shell 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: ```shell # 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。