2.9 KiB

Raw Blame History

安装说明

1.简介

本章将介绍如何安装PaddleClas及其依赖项，准备ImageNet1k图像分类数据集和下载预训练模型。

2.安装PaddlePaddle

运行PaddleClas需要PaddlePaddle Fluid v1.7或更高版本。请按照安装文档中的说明进行操作。

使用以下命令进行验证。

# 在您的Python解释器中确认PaddlePaddle安装成功
>>> import paddle.fluid as fluid
>>> fluid.install_check.run_check()

# 确认PaddlePaddle版本
python -c "import paddle; print(paddle.__version__)"

注意：

从源码编译的PaddlePaddle版本号为0.0.0，请确保使用了Fluid v1.7之后的源码编译。
PaddleClas基于PaddlePaddle高性能的分布式训练能力，若您从源码编译，请确保打开编译选项，WITH_DISTRIBUTE=ON。

环境需求:

Python2（官方已不提供更新维护）或Python3 (windows系统仅支持Python3)
CUDA >= 8.0
cuDNN >= 5.0
nccl >= 2.1.2

3.安装PaddleClas

克隆PaddleClas模型库：

cd path_to_clone_PaddleClas
git clone https://github.com/PaddlePaddle/PaddleClas.git

安装Python依赖库：

Python依赖库在requirements.txt中给出，可通过如下命令安装：

pip install --upgrade -r requirements.txt

4.下载ImageNet1K图像分类数据集

PaddleClas默认支持ImageNet1000分类任务。在Linux系统下通过如下方式进行数据准备：

cd dataset/ILSVRC2012/
sh download_imagenet2012.sh

在download_imagenet2012.sh脚本中，通过下面三步来准备数据：

步骤一： 首先在image-net.org网站上完成注册，用于获得一对Username和AccessKey。

步骤二： 从ImageNet官网下载ImageNet-2012的图像数据。训练以及验证数据集会分别被下载到"train" 和 "val" 目录中。注意，ImageNet数据的大小超过140GB，下载非常耗时；已经自行下载ImageNet的用户可以直接将数据按"train" 和 "val" 目录放到dataset/ILSVRC2012。

步骤三： 下载训练与验证集合对应的标签文件。

train_list.txt: ImageNet-2012训练集合的标签文件，每一行采用"空格"分隔图像路径与标注，例如：

train/n02483708/n02483708_2436.jpeg 369

val_list.txt: ImageNet-2012验证集合的标签文件，每一行采用"空格"分隔图像路径与标注，例如：

val/ILSVRC2012_val_00000001.jpeg 65

Windows系统下请用户自行下载ImageNet数据，label下载链接

5.下载预训练模型

PaddleClas 提供了丰富的预训练模型，支持的模型列表请参考模型库。通过tools/download.py可以下载所需要的预训练模型。

python tools/download.py -a ResNet50_vd -p ./pretrained -d True

2.9 KiB Raw Blame History Unescape Escape