Day0

第一步：創建Notebook模型任務

**step1:**進入BML主頁，點擊立即使用

🔗：https://ai.baidu.com/bml/

**step2:**點擊Notebook，創建“通用任務”

**step3:**填寫任務資訊，注意這里的資訊要填寫您所在的企業資訊，即歸屬要選擇公司，并輸入您自身所在的公司全稱，如果您還在上學，請輸入學校全稱，既不是企業員工也不是學生，歸屬才能選擇個人，

第二步：下載資料集并解壓

操作模板下載鏈接：https://aistudio.baidu.com/aistudio/datasetdetail/129626

1.點擊創建好的notebook任務右側的配置

• 開發語言：Python3.7
• AI框架：PaddlePaddle2.0.0
• 資源規格：GPU V100（限時免費，注意時間）

2.啟動運行并打開

3.上傳下載的操作模板，上傳后點擊打開，然后運行第一步下載資料集

運行結束的顯示如下圖

4.下載完成后運行第二步解壓資料集

因為解壓時顯示的內容較長，翻頁不方便，可以點擊此處進行折疊

解壓完成的顯示如下圖

Day1

1.打開Notebook

2.在第三步下方的代碼框里復制粘貼安裝PaddleDetection的代碼，然后運行，如果出現unable to access說明網不好，可以重新運行或者切換網路

下載PaddleDetection的代碼：

!git clone https://github.com/PaddlePaddle/PaddleDetection.git -b develop

3.安裝完成后，點擊+Code新增代碼框，復制粘貼升級PaddlePaddle的代碼，然后運行

升級PaddlePaddle的代碼：

!python -m pip install paddlepaddle-gpu==2.1.3.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

4.升級完成后，再次點擊+Code，復制粘貼安裝環境依賴的代碼，然后運行

安裝環境依賴的代碼：

%cd /home/work/PaddleDetection

!pip install -r requirements.txt

5.以上任務完成后記得保存并停止運行Notebook，避免浪費免費算力資源

記得截圖最后一步操作界面發送至群中完成打卡

打卡截圖示例：

Day2

今日的任務是模型訓練與評估，有兩種方法，請務必把兩種方法都了解之后選擇其中一種進行操作，

方法一：

1.啟動運行并打開Notebook

2.重新升級PaddlePpaddle，僅需把原本代碼中的2.1.3改為2.2.2，然后重新運行即可**
**

修改后代碼：

!python -m pip install paddlepaddle-gpu==2.2.2.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

運行完成頁面如下圖

3.重新安裝環境依賴，注意，每次重新啟動打開Notebook都需要重新安裝環境依賴

運行完成頁面如下圖

4.組態檔路徑

點開PaddleDetection-dataset-mot檔案夾，然后右鍵自行新建兩個檔案夾，分別命名為：image_lists和visdrone_mcmot_vehicle

然后點開資料集檔案夾（visdrone_mcmot_vehicle），把visdrone_mcmot_vehicle.train和visdrone_mcmot_vehicle.val兩個檔案復制到剛剛創建的PaddleDetection-dataset-mot-image_lists中，再把資料集檔案夾中剩下的六個檔案復制（剪切）到剛剛創建的visdrone_mcmot_vehicle中

5.模型訓練

代碼：!python -m paddle.distributed.launch --log_dir=./mcfairmot_dla34_30e_1088x608_visdrone_vehicle/ --gpus 0 tools/train.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker.yml

因為訓練的是全量資料，所以訓練時間可能會較長，可以自行查看每段運行代碼的后半部分，eta：后面的時間即為剩余訓練時長，如較長可選擇方法二

運行完成頁面如下圖：

6.模型評估

代碼：!CUDA_VISIBLE_DEVICES=0 python tools/eval_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams

運行完成頁面如下圖：

方法二：

方法二是把PaddleDetection更換為已經整理好代碼檔案的版本，因此不用配置資料集路徑，比方法一簡單一些，

可以創建一個新的Notebook任務（創建方法見day0操作教程前半部分），然后從本方法的第三步開始操作，

也可以不創建新的Notebook任務，從本方法的第一步開始做，但是需要先洗掉之前下載好的PaddleDetection和資料集，否則影響操作，

1.啟動運行并打開Notebook

2.檔案-新建啟動頁-Notebook

自行點擊+Code添加代碼框，想要添加注釋可以自行點擊+Markdown

3.升級PaddlePpaddle

升級代碼：

!python -m pip install paddlepaddle-gpu==2.2.2.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

運行完成頁面如下圖：

4.下載新的PaddleDetection檔案，上傳壓縮包至Notebook

下載鏈接：https://aistudio.baidu.com/aistudio/datasetdetail/128844

5.解壓PaddleDetection

解壓代碼：!unzip /home/work/PaddleDetection.zip

運行完成頁面如下圖

6.安裝環境依賴：

代碼：%cd /home/work/PaddleDetection

!pip install -r requirements.txt

運行完成頁面如下圖：

7.模型訓練

代碼：

!python -m paddle.distributed.launch --log_dir=./mcfairmot_dla34_30e_1088x608_visdrone_vehicle/ --gpus 0 tools/train.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml

因為這個PaddleDetection是整理過的，資料量較小，epoch（訓練輪數）也較小，所以訓練時間較短，（相應的，精度可能比不上方法一）

運行完成頁面如下圖：

8.模型評估

代碼：!CUDA_VISIBLE_DEVICES=0 python tools/eval_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams

運行完成頁面如下圖：

————————分割線——————————

完成后記得停止運行Notebook，避免浪費免費算力

記得截圖最后一步完成打卡哦~

打卡截圖示例：

Day3

1.啟動運行并打開Notebook

2.重新升級PaddlePpaddle2.2.2，注意，每次重新啟動打開Notebook都需要重新升級PaddlePpaddle2.2.2

運行完成頁面如下圖

3.重新安裝環境依賴，注意，每次重新啟動打開Notebook都需要重新安裝環境依賴

運行完成頁面如下圖

4.模型預測，預測完成后的視頻檔案在PaddleDetection/output/mot_results/visdrone_demo.txt，可以自行下載查看

昨天用了方法一，預測代碼：!CUDA_VISIBLE_DEVICES=0 python tools/infer_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker/model_final.pdparams --video_file=visdrone_demo.mp4 --frame_rate=20 --save_videos

昨天用了方法二，預測代碼：

!CUDA_VISIBLE_DEVICES=0 python tools/infer_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams --video_file=visdrone_demo.mp4 --frame_rate=20 --save_videos

運行完成后結果頁面如下：

5.模型匯出

昨天用了方法一，匯出代碼：!CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker/model_final.pdparams

昨天用了方法二，匯出代碼：

!CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams

6.模型推理

昨天用了方法一，推理代碼：!CUDA_VISIBLE_DEVICES=0 python deploy/pptracking/python/mot_jde_infer.py --model_dir=output_inference/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker/ --video_file=visdrone_demo.mp4 --device=GPU --save_mot_txts

昨天用了方法一，推理代碼：

!CUDA_VISIBLE_DEVICES=0 python deploy/pptracking/python/mot_jde_infer.py --model_dir=output_inference/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/ --video_file=visdrone_demo.mp4 --device=GPU --save_mot_txts

運行完成后結果界面如下：

記得截圖最后一步完成打卡哦~

打卡截圖示例：