PaddleClas/docs/zh_CN/advanced_tutorials/multilabel/multilabel.md

多标签分类quick start

基于NUS-WIDE-SCENE数据集，体验多标签分类的训练、评估、预测的过程，该数据集是NUS-WIDE数据集的一个子集。请事先参考安装指南配置运行环境和克隆PaddleClas代码。

一、数据和模型准备

• 进入PaddleClas目录。

cd path_to_PaddleClas

• 创建并进入dataset/NUS-WIDE-SCENE目录，下载并解压NUS-WIDE-SCENE数据集。

mkdir dataset/NUS-WIDE-SCENE
cd dataset/NUS-WIDE-SCENE
wget https://paddle-imagenet-models-name.bj.bcebos.com/data/NUS-SCENE-dataset.tar
tar -xf NUS-SCENE-dataset.tar

• 返回PaddleClas根目录

cd ../../

二、模型训练

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml

训练10epoch之后，验证集最好的正确率应该在0.95左右。

三、模型评估

python3 tools/eval.py \
    -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml \
    -o Arch.pretrained="./output/MobileNetV1/best_model"

四、模型预测

python3 tools/infer.py \
    -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml \
    -o Arch.pretrained="./output/MobileNetV1/best_model"

得到类似下面的输出：

[{'class_ids': [6, 13, 17, 23, 26, 30], 'scores': [0.95683, 0.5567, 0.55211, 0.99088, 0.5943, 0.78767], 'file_name': './deploy/images/0517_2715693311.jpg', 'label_names': []}]

五、基于预测引擎预测

5.1 导出inference model

python3 tools/export_model.py \
    -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml \
    -o Arch.pretrained="./output/MobileNetV1/best_model"

inference model的路径默认在当前路径下./inference

5.2 基于预测引擎预测

首先进入deploy目录下：

cd ./deploy

通过预测引擎推理预测：

python3 python/predict_cls.py \
     -c configs/inference_multilabel_cls.yaml

得到类似下面的输出：

0517_2715693311.jpg:    class id(s): [6, 13, 17, 23, 26, 30], score(s): [0.96, 0.56, 0.55, 0.99, 0.59, 0.79], label_name(s): []