一個垃圾分類項目帶你玩轉飛槳（1）

• 基于PaddleClas實現垃圾分類，導出inference模型并利用PaddleHub Serving進行服務化部署。

更好的體驗記得移步AIStudio喲~
點擊上方Fork即可以運行本項目
Github項目地址
最新數據集地址

大家先看看效果哈

bilibili視頻地址

背景介紹

??垃圾分類是對垃圾收集處置傳統方式的改革，是對垃圾進行有效處置的一種科學管理方法。人們面對日益增長的垃圾產量和環境狀況惡化的局面，如何通過垃圾分類管理，最大限度地實現垃圾資源利用，減少垃圾處置的數量，改善生存環境狀態，是當前世界各國共同關注的迫切問題。

??2019年6月25日，固體廢物污染環境防治法修訂草案初次提請全國人大常委會審議。草案對“生活垃圾污染環境的防治”進行了專章規定。2019年9月，為深入推動全國公共機構做好生活垃圾分類工作，國家機關事務管理局印發通知，公布《公共機構生活垃圾分類工作評價參考標準》，并就進一步推進有關工作提出要求。

??就上海市而言，2019年1月31日《上海市生活垃圾管理條例》[1]獲第十五屆上海市人民代表大會通過，正式成為地方性法規，并于２０１９年７月１日起強制實施。此條例規定，個人或企業、單位混合投放垃圾將面臨罰款等處罰。同年５月，上海市城市管理行政執法局出臺《上海市生活垃圾分類違法行為查處規定》和《〈上海市生活垃圾管理條例〉行政處罰裁量基準》[2]，對垃圾分類違法行為的行政處罰進行詳細闡釋。至此，申城成為全國第一個實行垃圾分類的城市。

??此外，據新聞媒體報道，自2020年11月13日起，東華大學研究生新生入學教育新增一項“垃圾分類考試”。新生需回答垃圾分類相關知識的選擇題，達到90分以上才能過關。而“高校研究生進行垃圾分類考試”再一次將“垃圾分類”推向高潮。

??本項目利用PaddleClas圖像分類套件進行垃圾分類開發，本項目使用 2019華為云AI大賽·垃圾分類數據集進行開發，總體效果具備較好的分類性能。

PaddleClas介紹

??飛槳圖像分類套件PaddleClas是飛槳為工業界和學術界所準備的一個圖像分類任務的工具集，助力使用者訓練出更好的視覺模型和應用落地。PaddleClas 是百度基于PaddlePaddle框架推出的圖像分類開發套件，實現了23個系列豐富的分類模型，多種數據增廣方式，SSLD知識蒸餾高階優化方案，并可以很方便的對訓練出的模型進行工業級部署。

PaddleClas

特性：

• 豐富的模型庫：基于ImageNet1k分類數據集，PaddleClas提供了29個系列的分類網絡結構和訓練配置，133個預訓練模型和性能評估。

• SSLD知識蒸餾：基于該方案蒸餾模型的識別準確率普遍提升3%以上。

• 數據增廣：支持AutoAugment、Cutout、Cutmix等8種數據增廣算法詳細介紹、代碼復現和在統一實驗環境下的效果評估。

• 10萬類圖像分類預訓練模型：百度自研并開源了基于10萬類數據集訓練的 ResNet50_vd模型，在一些實際場景中，使用該預訓練模型的識別準確率最多可以提升30%。

• 多種訓練方案，包括多機訓練、混合精度訓練等。

• 多種預測推理、部署方案，包括TensorRT預測、Paddle-Lite預測、模型服務化部署、模型量化、Paddle Hub等。

• 可運行于Linux、Windows、MacOS等多種系統。
  

廢話不多說，下面開始干活 # 解壓數據集 !rar x data/data43905/garbage.rar The-Eye-Konws-the-Garbage ??解壓數據集后，我們可以在The-Eye-knows-the-Garbage文件目錄中找到garbage文件夾，此文件夾中即存放著我們解壓后的數據集。

??我們觀察garbage文件目錄，其中需要特別注意的是：

?? - garbage_classify_rule.json 存放著標簽與具體垃圾的對應關系

?? - labels.txt 存放著所有標簽
?? - train.txt 存放著訓練集內圖片的相對地址與對應標簽（例：./29/img_14678.jpg 29）

?? - validate.txt 存放著驗證集內圖片的相對地址與對應標簽（例：./0/img_18.jpg 0）

??本數據集符合ImageNet格式，故在此基礎上使用PaddleClas極其便利！

模型選取

??數據集準備好后，接下來就是在PaddleClas提供的23個系列的模型中選擇一個較為合適本項目的模型。

??由圖可知，模型主要分為兩類：服務器端模型和移動端模型。移動端模型以輕量化為主要設計目標，通常速度快體積小，因此會犧牲一定的精度。而服務器端模型的精度通常很高，然其體積也相對較大。基于本項目實地應用場景，我們在這個項目中選擇服務器端模型，并最終選擇了ResNet_Vd。ResNet_Vd是PaddleClas框架主推的模型，經過了大量精度和速度上的優化。如果在自己的項目中不是很清楚如何選擇模型，從ResNet_Vd開始嘗試是一個不錯的選擇。而由于本項目的數據集還不是特別大，故結合RandomErasing的數據增廣方式進行訓練可以在原有基礎上進一步提升精度。

模型訓練

??下面就到了關鍵的模型訓練時刻！使用PaddleClas訓練模型基本就是編寫config文件。由于PaddleClas很貼心地為開發者提供了一份demo config文件，故而我們可以在此基礎上進行修改。下面筆者將著重介紹幾個關鍵修改處：
?? - |classes_num |分類數|

?? - |total_images|總圖片數|

?? - | epochs |訓練總epoch數|

?? - | file_list |標注訓練集/驗證集圖片地址及其標簽的txt文件地址|

?? - |data_dir|數據集目錄|

??配置完config文件后即可正式開始模型訓練，一般來說PaddleClas的模型訓練是基于tools.py命令行進行的，命令行啟動代碼如下：

!python3 train.py -c ResNet50_vd_ssld_random_erasing_finetune.yaml

??本項目中訓練了60個epoch，大約在第42個epoch處會得到最佳模型。

%cd /home/aistudio/The-Eye-Konws-the-Garbage/ !python3 train.py -c ResNet50_vd_ssld_random_erasing_finetune.yaml

模型導出

??訓練出滿意的模型后我們會希望用訓練得到的模型進行前向推理，這需要用到訓練過程中保存的權重文件。PaddlePaddle框架保存的權重文件分為兩種：支持前向推理和反向梯度的訓練模型 和 只支持前向推理的推理模型。二者的區別是推理模型針對推理速度和顯存做了優化，裁剪了一些只在訓練過程中才需要的tensor，降低顯存占用，并進行了一些類似層融合，kernel選擇的速度優化。PaddleClas在訓練過程中保存的模型屬于訓練模型，默認保存在 ./output/模型結構 路徑下。
??接下來我們通過PaddleClas中提供的模型轉換腳本將訓練模型轉換為推理模型。

# 將PaddleClas的模型轉換為inference模型 %cd /home/aistudio/The-Eye-Konws-the-Garbage/ !python export_model.py \--model ResNet50_vd \--pretrained_model ./output/ResNet50_vd/best_model/ppcls \--output_path ./inference \--class_dim 40

?&emsp執行完畢后我們可以看到轉換之后在./inference中生成了兩個文件，model是模型結構，params是模型權重。轉換完畢，最后一步是進行推理。推理的輸入圖片可以從 數據集文件夾中任意選擇，填入對應的路徑即可。

# 執行預測 %cd The-Eye-Konws-the-Garbage !python predict.py \--image_file "./garbage/0/img_210.jpg" \--model_file "./inference/inference.pdmodel" \--params_file "./inference/inference.pdiparams" \--use_gpu=False \--use_tensorrt=False

基于PaddleHub Serving的服務部署

??首先需要在params.py中查看和修改推理模型路徑，即如下圖所示：

??然后需要安裝服務模塊，具體代碼如下：
hub install The-Eye-Konws-the-Garbage

# 安裝服務模塊 %cd /home/aistudio/ !hub install The-Eye-Konws-the-Garbage/

??當我們安裝完服務模塊后，我們便可以啟動配置文件，官方提供了兩種啟動方式：

??方式1. 命令行命令啟動（僅支持CPU）
啟動命令：

$ hub serving start --modules Module1==Version1 \--port XXXX \--use_multiprocess \--workers \

參數：

參數用途

–modules/-m	[必選] PaddleHub Serving預安裝模型，以多個Module==Version鍵值對的形式列出 當不指定Version時，默認選擇最新版本
–port/-p	[可選] 服務端口，默認為8866
–use_multiprocess	[可選] 是否啟用并發方式，默認為單進程方式，推薦多核CPU機器使用此方式 Windows操作系統只支持單進程方式
–workers	[可選] 在并發方式下指定的并發任務數，默認為2*cpu_count-1，其中cpu_count為CPU核數

如按默認參數啟動服務： hub serving start -m garbage_classification

這樣就完成了一個服務化API的部署，使用默認端口號8866。

?? 方式2. 配置文件啟動（支持CPU、GPU）
啟動命令：
hub serving start -c config.json

其中，config.json格式如下：

{"modules_info": {"garbage_classification": {"init_args": {"version": "1.0.0","use_gpu": true,"enable_mkldnn": false},"predict_args": {}}},"port": 8866,"use_multiprocess": false,"workers": 2 }

• init_args中的可配參數與module.py中的_initialize函數接口一致。其中，
  • 當use_gpu為true時，表示使用GPU啟動服務。
  • 當enable_mkldnn為true時，表示使用MKL-DNN加速。
• predict_args中的可配參數與module.py中的predict函數接口一致。

注意:

• 使用配置文件啟動服務時，其他參數會被忽略。
• 如果使用GPU預測(即，use_gpu置為true)，則需要在啟動服務之前，設置CUDA_VISIBLE_DEVICES環境變量，如：export CUDA_VISIBLE_DEVICES=0，否則不用設置。
• use_gpu不可與use_multiprocess同時為true。
• use_gpu與enable_mkldnn同時為true時，將忽略enable_mkldnn，而使用GPU。

如，使用GPU 3號卡啟動串聯服務：

export CUDA_VISIBLE_DEVICES=3 hub serving start -c config.json # 命令行啟動 %cd /home/aistudio/The-Eye-Konws-the-Garbage/ !hub serving start -m garbage_classification

??配置好服務端后，可使用以下命令發送預測請求，獲取預測結果:

%cd /home/aistudio/The-Eye-Konws-the-Garbage !python test.py

項目部署

??隨后我們進行項目的具體部署，具體細節此處我們不予細講，讀者可在本地跑通后執行如下命令：

python The-Eye-Konws-the-Garbage/garbage_end_side.py

??相關效果如開頭處所示

總結與反思

• 本項目總體使用PaddleClas實現了垃圾分類，并取得了較好的預測效果。
• 本項目基于PaddleHub Serving 實現了服務部署。
• 本項目后緒將結合PaddleHub增加語音播報功能，提高用戶體驗。

個人相關介紹

• 筆名：左右
• 華東理工大學自動化專業大二在讀
• 號稱：冷板凳常客
• 搞點多智能體的協同控制及路徑規劃
• 熱衷于利用人工智能技術做點有價值的東西，為社會做點小事情；
• 偶爾寫點隨筆、拍點東西、看看天…

AiStudio主頁，歡迎互關喲

Github主頁，歡迎互關喲

CSDN主頁，歡迎互關喲

總結

以上是生活随笔為你收集整理的一个垃圾分类项目带你玩转飞桨（1）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。