安全帽检测开发与部署：

• 模型训练

一、准备模型库

!pip install paddlex==2.0rc

二、准备数据集

# 解压数据集，并做好数据切分准备

!mv MyDataset/images MyDataset/JPEGImages  切分为图片集

!mv MyDataset/annotations MyDataset/Annotations  切分为标注集

!paddlex --split_dataset --format VOC --dataset_dir MyDataset --val_value 0.2 --test_value 0.1    将训练集、验证集和测试集按照7：2：1的比例划分。 PaddleX中提供了简单易用的API，方便用户直接使用进行数据划分。

三、模型训练

# 定义训练和验证时的transforms

# 定义训练和验证所用的数据集

# 初始化模型，并进行训练

num_classes = len(train_dataset.labels)  数据集分类个数

model = pdx.models.YOLOv3(num_classes=num_classes, backbone='MobileNetV3_ssld')   选择模型

model.train(                      模型训练
    num_epochs=270,        训练轮次
    train_dataset=train_dataset,
    train_batch_size=2,   前向计算一次(即为一个step)所用到的样本数量
    eval_dataset=eval_dataset,
    learning_rate=0.001 / 8,    学习率
    warmup_steps=1000,      
    warmup_start_lr=0.0,
    save_interval_epochs=1,       多少轮进行一次保存
    lr_decay_epochs=[216, 243],
    save_dir='output/yolov3_mobilenet')    输出保存路径

四、模型预测

五、模型裁剪

模型裁剪可以更好地满足在端侧、移动端上部署场景下的性能需求，可以有效得降低模型的体积，以及计算量，加速预测性能。

• 模型部署

基于PaddleInference的推理-Linux环境编译

1 部署代码准备

2 下载PaddlePaddle C++ 预测库

3 修改编译参数

4 修改yaml依赖包路径并编译

模型导出和部署

1 模型导出

2 模型测试（可排查BUG）

3 加载导出的模型并使用GPU预测

4 模型验证

• EasyEdge：PaddleX 2.0动态图检测模型的部署

看使用文档、