简体中文 | English

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/p2v.py	变化检测	P2V-CD
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/fcosr.py	目标检测	FCOSR
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

启动训练

• 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：

# 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：

python -m paddle.distributed.launch --gpus 0,1 tutorials/train/semantic_segmentation/deeplabv3p.py

使用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：

# 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。