图形化深度学习开发平台（基于PaddlePaddle）.zip

# 一、PaddleStudio概述 本项目源自于[PaddleX](https://github.com/PaddlePaddle/PaddleX)的Restful项目，依托国产深度学习框架[PaddlePaddle](https://www.paddlepaddle.org.cn/)打造的图形化深度学习开发平台，旨在让**非AI开发者以最便捷的方式完成AI模型研发**。目前平台功能涵盖图像分类、目标检测、实例分割、语义分割等常规CV训练任务，未来将逐步打通数据标注、算法研发两大模块，真正的让用户可以感受到“无代码”化的便捷。 由于PaddleX项目官方已停止更新，本项目将PaddleX的GUI部分独立出来并且进行了重组，由**飞桨社区开发者共同维护**，**遵循Apache License 2.0开源协议**，欢迎各位小伙伴前来体验和参与，多多提出您的宝贵意见。 # 二、环境准备 ## 2.1 安装PaddlePaddle PaddleStudio依赖PaddlePaddle框架执行训练，因此首先要安装PaddlePaddle。 参照[PaddlePaddle官网](https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/windows-pip.html)进行安装，安装时需要注意CUDA版本的一致性。例如，对于已经安装CUDA11.6的Windows操作系统，可以使用下面的命令安装PaddlePaddle2.4： ```bash python -m pip install paddlepaddle-gpu==2.4.1.post116 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html ``` 安装完成后可以使用`python`命令进入python解释器，输入下面的命令： ```python import paddle paddle.utils.run_check() ``` 如果出现PaddlePaddle is installed successfully!，说明您已成功安装PaddlePaddle。 ## 2.2 安装依赖库 首先下载PaddleStudio项目： ```bash git clone https://github.com/qianbin1989228/PaddleStudio.git ``` 然后进入项目根目录并安装相关依赖库: ```bash cd PaddleStudio pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple ``` 到这里，PaddleStudio所需要的环境就已经全部准备好了。下面介绍如何启动并使用PaddleStudio。 # 三、基本使用介绍 ## 3.1 启动 进入PaddleStudio项目根目录后使用下面的命令进行启动： ```bash python app.py ``` 正常情况下输出如下： ``` 2023-01-31 16:38:25,616 app.py[line:1045] INFO:PaddleStudio服务启动成功后，您可以在浏览器打开网址 192.168.8.113:5000 进行界面操作 * Serving Flask app 'app' (lazy loading) * Environment: production WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead. * Debug mode: on 2023-01-31 16:38:25,664 _internal.py[line:224] INFO: * Running on all addresses (0.0.0.0) WARNING: This is a development server. Do not use it in a production deployment. * Running on http://127.0.0.1:5000 * Running on http://192.168.8.113:5000 (Press CTRL+C to quit) 2023-01-31 16:38:25,667 _internal.py[line:224] INFO: * Restarting with stat 2023-01-31 16:38:26,305 app.py[line:1045] INFO:PaddleStudio服务启动成功后，您可以在浏览器打开网址 192.168.8.113:5000 进行界面操作 2023-01-31 16:38:26,323 _internal.py[line:224] WARNING: * Debugger is active! 2023-01-31 16:38:26,331 _internal.py[line:224] INFO: * Debugger PIN: 339-955-950 2023-01-31 16:38:30,447 _internal.py[line:224] INFO:192.168.8.113 - - [31/Jan/2023 16:38:30] "GET / HTTP/1.1" 200 - 2023-01-31 16:38:30,756 _internal.py[line:224] INFO:192.168.8.113 - - [31/Jan/2023 16:38:30] "GET /project HTTP/1.1" 200 - 2023-01-31 16:38:30,764 _internal.py[line:224] INFO:192.168.8.113 - - [31/Jan/2023 16:38:30] "GET /favicon.ico HTTP/1.1" 200 - ``` 成功启动后系统会默认给出PaddleStudio的访问路径，如下例所示： ```bash http://192.168.8.113:5000 ``` 此时可以通过浏览器访问该网址打开PaddleStudio平台首页，如下图所示：  需要注意，首次打开时会在当前服务器的PaddleStudio根目录下创建一个名为workspace的文件夹作为工作区，用来存放数据集和模型训练的相关信息。 下面针对常见的图像分类任务讲解如何快速使用PaddleStudio。 ## 3.2 快速体验 ### 3.2.1 下载示例项目 PaddleStudio提供了每种任务对应的示例项目，方便用户快速了解每种任务的完整操作流程。下面以图像分类项目为例进行讲解。 首先，单击中间提示框“暂无项目，点击下载示例项目”，出现下图所示界面：  接下来勾选“下载图像分类示例项目”并单击“开始下载”按钮进行下载，如下图所示：  下载结束后单击“关闭窗口”按钮，在主界面上会出现对应的项目信息，是一个果蔬图像分类任务，如下图所示：  我们可以打开工作区文件夹PaddleStudio/workspace，其中有一个projects文件夹，该文件夹存放了所有项目信息。刚下载的项目其项目号为P0001，因此，对应工作区文件夹路径为PaddleStudio/workspace/projects/P0001。与此同时，在PaddleStudio/workspace/datasets存放着刚下载的数据集，位于D0001子文件夹下面，其内容如下图所示：  其中bocai、changqiezi、hongxiancai、huluobo、xihongshi、xilanhua这几个文件夹下面各自存放着不同品种的果蔬图片。labels.txt存放着对应的类别标签。train_list.txt、val_list.txt和test_list.txt分别存放着训练集、验证集、测试集的图片路径列表，形式如下所示： ```bash ./bocai/142.jpg 0 ./bocai/149.jpg 0 ./changqiezi/57.jpg 1 ./changqiezi/191.jpg 1 ``` 每行表示一个样本图片，分成前后两部分，中间用空格分隔，前半部分为图片相对路径，后半部分为对应的类别数字标签。 可以看到，为了尽可能方便PaddlePaddle用户，PaddleStudio沿用了PaddleClas套件的数据集格式基本规则，对于图像分类任务，只需要按照上述格式进行数据集组织即可。 ### 3.2.2 训练 单击下载的项目，然后单击项目窗口打开任务配置属性窗口，如下图所示：  在该任务所列属性参数中列出了训练所需的重要配置参数，例如模型、骨干网络、迭代轮数等，用户可以根据自己数据集的实际情况进行调整，调整完成后单击“启动训练”按钮开始训练，此时项目的任务状态会显示“训练中”，如下图所示：  可以继续单击主界面上的项目查看训练日志，如下图所示：  训练完成后可以单击“评估和导出模型”按钮，进入“模型评估&导出”模块，如下图所示：  ### 3.2.3 评估 在“模型评估&导出”界面上，单击启动评估按钮，可以快速进行模型精度验证，结果如下图所示：  可以看到，当前训练的模型Top1分类准确率Acc1=0.6，Topk分类准确率Acck=1.0。如果想要进一步提高精度，可以在模型训练过程中修改迭代轮数�