本文将使用ssdmobilenetv1_voc算法，以一个例子说明，如何利用paddleDetection完成一个项目----从准备数据集到完成树莓派部署，项目用到的工具是百度的AI Studio在线AI开发平台和树莓派4B
全部资料已经都打包在这里（PaddleDetection、Paddle-Lite-Demo、Paddle-Lite、opt）↓
链接：https://pan.baidu.com/s/1IKT-ByVN9BaVxfqQC1VaMw
提取码：mdd1

博客链接：https://blog.csdn.net/qq_42549612/article/details/104991557

此项目已公开，包括数据集在内已经打包上传，欢迎Fork！传送门：Paddle_ssd_mobilenet_v1_pascalvoc https://aistudio.baidu.com/aistudio/projectdetail/331209

数据集准备
本项目是用的数据集格式是VOC格式，标注工具为labelimg，图像数据是手动拍摄获取。
 
数据标注：

1.点击Open Dir，打开文件夹，载入图片

2.点击Create RectBox，即可在图像上画框标注

3.输入标签，点击OK

4.点击Save保存，保存下来的是XML文件

XML文件内容如下

整理成VOC格式的数据集：
创建三个文件夹：Annotations、ImageSets、JPEGImages

将标注生成的XML文件存入Annotations，图片存入JPEGImages，训练集、测试集、验证集的划分情况存入ImageSets。
在ImageSets下创建一个Main文件夹，并且在Mian文件夹下建立labellist.txt，里面存入标注的标签。
此labellist.txt文件复制一份与Annotations、ImageSets、JPEGImages同级位置放置。
其内容如下：

运行该代码将会生成trainval.txt、train.txt、val.txt、test.txt，将我们标注的600张图像按照训练集、验证集、测试集的形式做一个划分。

import os
import random
 
trainval_percent = 0.95  #训练集验证集总占比
train_percent = 0.9  #训练集在trainval_percent里的train占比
xmlfilepath = 'F:/Cola/Annotations'
txtsavepath = 'F:/Cola/ImageSets/Main'
total_xml = os.listdir(xmlfilepath)

num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)

ftrainval = open('F:/Cola/ImageSets/Main/trainval.txt', 'w')
ftest = open('F:/Cola/ImageSets/Main/test.txt', 'w')
ftrain = open('F:/Cola/ImageSets/Main/train.txt', 'w')
fval = open('F:/Cola/ImageSets/Main/val.txt', 'w')
 
for i  in list:
    name=total_xml[i][:-4]+'\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)
 
ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

以下代码可根据在Main文件夹中划分好的数据集进行位置索引，生成含有图像及对应的XML文件的地址信息的文件。

import os
import re
import random

devkit_dir = './'
output_dir = './'

def get_dir(devkit_dir,  type):
    return os.path.join(devkit_dir, type)

def walk_dir(devkit_dir):
    filelist_dir = get_dir(devkit_dir, 'ImageSets/Main')
    annotation_dir = get_dir(devkit_dir, 'Annotations')
    img_dir = get_dir(devkit_dir, 'JPEGImages')
    trainval_list = []
    train_list = []
    val_list = []
    test_list = []

    added = set()

    for _, _, files in os.walk(filelist_dir):
        for fname in files:
            print(fname)
            img_ann_list = []
            if re.match('trainval.txt', fname):
                img_ann_list = trainval_list
            elif re.match('train.txt', fname):
                img_ann_list = train_list
            elif re.match('val.txt', fname):
                img_ann_list = val_list
            elif re.match('test.txt', fname):
                img_ann_list = test_list
            else:
                continue
            fpath = os.path.join(filelist_dir, fname)
            for line in open(fpath):
                name_prefix = line.strip().split()[0]
                print(name_prefix)

                added.add(name_prefix)
                #ann_path = os.path.join(annotation_dir, name_prefix + '.xml')
                ann_path = annotation_dir + '/' + name_prefix + '.xml'
                print(ann_path)
                #img_path = os.path.join(img_dir, name_prefix + '.jpg')
                img_path = img_dir + '/' + name_prefix + '.jpg'
                assert os.path.isfile(ann_path), 'file %s not found.' % ann_path
                assert os.path.isfile(img_path), 'file %s not found.' % img_path
                img_ann_list.append((img_path, ann_path))
            print(img_ann_list)

    return trainval_list, train_list, val_list, test_list


def prepare_filelist(devkit_dir, output_dir):
    trainval_list = []
    train_list = []
    val_list = []
    test_list = []

    trainval, train, val, test = walk_dir(devkit_dir)

    trainval_list.extend(trainval)
    train_list.extend(train)
    val_list.extend(val)
    test_list.extend(test)
    #print(trainval)
    with open(os.path.join(output_dir, 'trainval.txt'), 'w') as ftrainval:
        for item in trainval_list:
            ftrainval.write(item[0] + ' ' + item[1] + '\n')

    with open(os.path.join(output_dir, 'train.txt'), 'w') as ftrain:
        for item in train_list:
            ftrain.write(item[0] + ' ' + item[1] + '\n')

    with open(os.path.join(output_dir, 'val.txt'), 'w') as fval:
        for item in val_list:
            fval.write(item[0] + ' ' + item[1] + '\n')

    with open(os.path.join(output_dir, 'test.txt'), 'w') as ftest:
        for item in test_list:
            ftest.write(item[0] + ' ' + item[1] + '\n')


if __name__ == '__main__':
    prepare_filelist(devkit_dir, output_dir)

最终创建完成的VOC数据集如下：

将整个文件拷贝至 ./PaddleDetection/dataset/voc 下
以上全部完成后，还需要修改两个地方，ssdmobilenetv1_voc源码中是以20类目标为准设计的，本项目的目标仅为两类

1.找到 ./PaddleDetection/configs/ssd/ssdmobilenetv1voc.yml文件，修改第12行的numclasses，3代表2个标签加一个背景

# 2(label_class) + 1(background)
num_classes: 3

2.找到 ./PaddleDetection/ppdet/data/source/voc.py文件，修改167行的pascalvoclabel()函数，按照前面设定的labellist.txt文件里的标签顺序依次修改，并将多余的内容删掉

def pascalvoc_label(with_background=True):
    labels_map = {
        'PepsiCola': 1,
        'CocaCola': 2
    }
    if not with_background:
        labels_map = {k: v - 1 for k, v in labels_map.items()}
    return labels_map

至此，整个数据集制作及配置完成。

创建项目
1.进入AI Studio创建项目
2.确认创建项目前，需要将数据集添加进去，点击创建数据集，将第一步做好的“PaddleDetection”整个文件夹压缩打包上传。
3.至此，创建项目完成。

环境配置

#安装Python依赖库
!pip install -r requirements.txt
#测试项目环境
!export PYTHONPATH=`pwd`:$PYTHONPATH
!python ppdet/modeling/tests/test_architectures.py

出现 No module named 'ppdet' 是环境配置的问题，有两种解决办法：

1.设置环境变量

%env PYTHONPATH=/home/aistudio/PaddleDetection

2. 找到报错的文件添加以下代码

import sys
DIR = '/home/aistudio/PaddleDetection'
sys.path.append(DIR)

测试环境通过后，就可以开始训练了

开始训练
训练命令如下：

%cd home/aistudio/PaddleDetection/
!python -u tools/train.py -c configs/ssd/ssd_mobilenet_v1_voc.yml --use_tb=True --eval

训练完成后输出的模型保存在 ./PaddleDetection/output/ssdmobilenetv1voc 文件夹下，本次训练总轮数默认为28000轮，每隔2000轮保存一次模型，以轮次命名的均为阶段性模型，modelfinal为训练结束时保存的模型，best_model是每次评估后的最佳mAP模型

#测试，查看模型效果
%cd home/aistudio/PaddleDetection/
!python tools/infer.py -c configs/ssd/ssd_mobilenet_v1_voc.yml --infer_img=/home/aistudio/2001.jpg #infer_img输入需要预测图片的路径，看一下效果

模型转换
接下来，需要将原生模型转化为预测模型

!python -u tools/export_model.py -c configs/ssd/ssd_mobilenet_v1_voc.yml --output_dir=./inference_model_final

生成的预测模型保存在 ./PaddleDetection/inferencemodelfinal/ssdmobilenetv1_voc 文件夹下，会生成两个文件，模型文件名和参数文件名分别为model和params

由于部署到树莓派4B上需要使用Paddle-Lite，而PaddlePaddle的原生模型需要经过opt工具转化为Paddle-Lite可以支持的naive_buffer格式

%cd /home/aistudio/
#复制opt文件到相应目录下
!cp opt /home/aistudio/PaddleDetection/inference_model_final/ssd_mobilenet_v1_voc
#进入预测模型文件夹
%cd /home/aistudio/PaddleDetection/inference_model_final/ssd_mobilenet_v1_voc
#下载opt文件
#!wget https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.3.0/opt
#给opt加上可执行权限
!chmod +x opt
#使用opt进行模型转化,将__model__和__params__转化为model.nb
!./opt --model_file=__model__ --param_file=__params__ --optimize_out_type=naive_buffer   --optimize_out=./model
!ls

这个opt自己下载实在是太慢了，因此我在网盘里已经准备好了opt文件，可以直接上传至AI Studio操作，最终结果如下图所示：

到目前为止，在AI Studio上的所有内容已经完成，以上所有都是为了生成这个model.nb文件，将其部署在树莓派4B上使用。

预测库编译
Paddle-Lite目前支持三种编译的环境：

1.Docker 容器环境

2.Linux（推荐 Ubuntu 16.04）环境

3.Mac OS 环境

本次项目仅涉及到树莓派的ARMLinux环境编译，其他编译环境请参考Paddle-Lite官方文档

编译环境要求
gcc、g++、git、make、wget、python
cmake（建议使用3.10或以上版本）
官方安装流程如下：

# 1. Install basic software
apt update
apt-get install -y --no-install-recomends \
  gcc g++ make wget python unzip

# 2. install cmake 3.10 or above
wget https://www.cmake.org/files/v3.10/cmake-3.10.3.tar.gz
tar -zxvf cmake-3.10.3.tar.gz
cd cmake-3.10.3
./configure
make
sudo make install

此环境树莓派应该是会有的，可以自行检查，没有的包安装上即可。
至此完成所有的编译环境配置。
将 Paddle-Lite 和 Paddle-Lite-Demo 移动至树莓派中，放在自己方便的目录下即可，在这里我的 Paddle-Lite 放在了 /home/pi/ 下，将 Paddle-Lite-Demo 放在了 /home/pi/Desktop/ 下，并且将 /home/pi/Paddle/Paddle-Lite/lite/tools/build.sh 加上执行权限

所有工作完成后，即可开始编译Paddle-Lite

cd /home/pi/Paddle/Paddle-Lite
sudo ./lite/tools/build.sh \
  --build_extra=OFF \
  --arm_os=armlinux \
  --arm_abi=armv7hf \
  --arm_lang=gcc \
  tiny_publish

虽然树莓派4B已经是 ARMv8 的CPU架构，但官方系统为32位，还是需要使用ARMv7架构的编译方式

编译结束，结果如下：

文件结构搭建
整体文件结构如下：

 object_detection_demo
       Paddle-Lite：
              include (编译好的Paddle—Lite的头文件)
              libs（存放armv7hf）
                       armv7hf（编译好的Paddle—Lite的库文件）
       code：
              models(模型文件：model.nb)
              images(测试图片)
              CMakeLists.txt
              mask_detection.cc
              run.sh

1.打开 /home/pi/Desktop/Paddle-Lite-Demo/PaddleLite-armlinux-demo/objectdetectiondemo 文件夹，在此目录下新建 Paddle-Lite、code 文件夹

2.Paddle-Lite文件夹下新建 include、libs 文件夹

3.libs文件夹下新建 armv7hf 文件夹

4.将 images、labels、CMakeLists.txt、run.sh、objectdetectiondemo.cc 文件移入 code 文件夹下

对于 Paddle-Lite 的编译结果，我们需要使用的东西在 /home/pi/Paddle/Paddle-Lite/build.lite.armlinux.armv7hf.gcc/inferencelitelib.armlinux.armv7hf/cxx 文件夹下

将 include 和 lib 中的头文件和库文件提取出来，分别放入 include 和 armv7hf 文件夹中
至此已做好文件结构的搭建

模型部署
接下来就是最后一步了，将模型放进文件中，稍作修改就大功告成了！

1.进入 code 文件夹

2.修改 labels 文件夹下的 pascalvoclabellist ，内容必须与训练时的 labellist.txt 文件内容一致 （注意 pascalvoclabel_list 是纯文本文档，不是 .txt 文本文档，弄错了预测出来的框选标签会打 unknow 的！）

3.将在PaddlePaddle学习之使用PaddleDetection在树莓派4B进行模型部署（二）----- 深度学习模型训练得到的 model.nb 放进 models 文件夹

4.打开 run.sh 文件，注释掉第四行的 TARGETARCHABI=armv8 ，打开第五行的，取消第5行 TARGETARCHABI=armv7hf 的注释

5.修改第六行的 PADDLELITEDIR 索引到文件中Paddle-Lite目录

6.修改第十九行的model文件的模型索引目录和预测图片的索引目录

#!/bin/bash

# configure
#TARGET_ARCH_ABI=armv8 # for RK3399, set to default arch abi
TARGET_ARCH_ABI=armv7hf # for Raspberry Pi 3B
PADDLE_LITE_DIR=/home/pi/Desktop/Paddle-Lite-Demo/PaddleLite-armlinux-demo/object_detection_demo/Paddle-Lite
if [ "x$1" != "x" ]; then
    TARGET_ARCH_ABI=$1
fi

# build
rm -rf build
mkdir build
cd build
cmake -DPADDLE_LITE_DIR=${PADDLE_LITE_DIR} -DTARGET_ARCH_ABI=${TARGET_ARCH_ABI} ..
make

#run
LD_LIBRARY_PATH=$LD_LIBRARY_PATH:${PADDLE_LITE_DIR}/libs/${TARGET_ARCH_ABI} ./object_detection_demo ../models/model.nb ../labels/pascalvoc_label_list ../images/2001.jpg ./result.jpg

修改完run.sh文件后，就算是完成了所有的配置内容，可以开始放心的 RUN 了！！

/home/pi/Desktop/Paddle-Lite-Demo/PaddleLite-armlinux-demo/object_detection_demo/code
sudo ./run.sh

最后的输出结果如下：

图片的预测结果就是这样了，虽然一个类别只有300张图，但是总的来说结果还算不错！

关于视频流的实时监测，在源代码的主函数中可以看到

if (argc > 3) {
    WARMUP_COUNT = 1;
    REPEAT_COUNT = 5;
    std::string input_image_path = argv[3];
    std::string output_image_path = argv[4];
    cv::Mat input_image = cv::imread(input_image_path);
    cv::Mat output_image = process(input_image, word_labels, predictor);
    cv::imwrite(output_image_path, output_image);
    cv::imshow("Object Detection Demo", output_image);
    cv::waitKey(0);
  } else {
    cv::VideoCapture cap(-1);
    cap.set(cv::CAP_PROP_FRAME_WIDTH, 640);
    cap.set(cv::CAP_PROP_FRAME_HEIGHT, 480);
    if (!cap.isOpened()) {
      return -1;
    }
    while (1) {
      cv::Mat input_image;
      cap >> input_image;
      cv::Mat output_image = process(input_image, word_labels, predictor);
      cv::imshow("Object Detection Demo", output_image);
      if (cv::waitKey(1) == char('q')) {
        break;
      }
    }
    cap.release();
    cv::destroyAllWindows();
  }

当我们在 run.sh 文件中设置小于三个参数时，即可使用视频流实时监测

#run
LD_LIBRARY_PATH=$LD_LIBRARY_PATH:${PADDLE_LITE_DIR}/libs/${TARGET_ARCH_ABI} ./object_detection_demo ../models/ssd_mobilenet_v1_pascalvoc_for_cpu/best.nb ../labels/pascalvoc_label_list 
#../images/2.jpg ./result.jpg

在这里注释掉图片路径和输出路径即可

注：如果有用 Opencv-4.1.0 版本的，可能在编译 objectdetectiondemo.cc 时在 267、268 行会报错
源代码如下：

cap.set(CV_CAP_PROP_FRAME_WIDTH, 640);
cap.set(CV_CAP_PROP_FRAME_HEIGHT, 480);

由于新版本的API发生了变化。需要修改为如下代码：

cap.set(cv::CAP_PROP_FRAME_WIDTH, 640);
cap.set(cv::CAP_PROP_FRAME_HEIGHT, 480);

参考资料

•  PaddleDetection官方文档

•  系列文章：如何利用PaddleDetection做一个完整的项目

•  Paddle-Lite官方文档 — C++Demo

•  Paddle-Lite官方文档