代码拉取完成，页面将自动刷新
简体中文 | English
请参考安装指南配置运行环境，PaddleVideo目前支持Linux下的GPU单卡和多卡运行环境。
PaddleVideo支持单机单卡和单机多卡训练，单卡训练和多卡训练的启动方式略有不同。
启动脚本示例:
export CUDA_VISIBLE_DEVICES=0 #指定使用的GPU显卡id
python3.7 main.py --validate -c configs_path/your_config.yaml
-c 必选参数，指定运行的配置文件路径，具体配置参数含义参考配置文档
--validate 可选参数，指定训练时是否评估-o: 可选参数，指定重写参数，例如： -o DATASET.batch_size=16 用于重写train时batch size大小通过paddle.distributed.launch启动，启动脚本示例:
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
python3.7 -B -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" --log_dir=your_log_dir main.py --validate -c configs_path/your_config.yaml
--gpus参数指定使用的GPU显卡id--log_dir参数指定日志保存目录
多卡训练详细说明可以参考单机多卡训练
我们将所有标准的启动命令都放在了run.sh中，直接运行(./run.sh)可以方便地启动多卡训练与测试，注意选择想要运行的脚本
sh run.sh
运行训练命令，将会输出运行日志，并默认保存在./log目录下，如：worker.0 , worker.1 ... , worker日志文件对应每张卡上的输出
【train阶段】打印当前时间，当前epoch/epoch总数，当前batch id，评估指标，耗时，ips等信息：
[09/24 14:13:00] epoch:[ 1/1 ] train step:100 loss: 5.31382 lr: 0.000250 top1: 0.00000 top5: 0.00000 batch_cost: 0.73082 sec, reader_cost: 0.38075 sec, ips: 5.47330 instance/sec.
【eval阶段】打印当前时间，当前epoch/epoch总数，当前batch id，评估指标，耗时，ips等信息：
[09/24 14:16:55] epoch:[ 1/1 ] val step:0 loss: 4.42741 top1: 0.00000 top5: 0.00000 batch_cost: 1.37882 sec, reader_cost: 0.00000 sec, ips: 2.90104 instance/sec.
【epoch结束】打印当前时间，评估指标，耗时，ips等信息：
[09/24 14:18:46] END epoch:1 val loss_avg: 5.21620 top1_avg: 0.02215 top5_avg: 0.08808 avg_batch_cost: 0.04321 sec, avg_reader_cost: 0.00000 sec, batch_cost_sum: 112.69575 sec, avg_ips: 8.41203 instance/sec.
当前为评估结果最好的epoch时，打印最优精度：
[09/24 14:18:47] Already save the best model (top1 acc)0.7467
PaddleVideo
├── paddlevideo
├── ... #other source codes
├── output #ouput 权重，优化器参数等存储路径
| ├── example
| | ├── example_best.pdparams #path_to_weights
| | └── ...
| └── ...
├── log #log存储路径
| ├── worker.0
| ├── worker.1
| └── ...
└── inference #预测文件存储路径
├── example.pdiparams file
├── example.pdimodel file
└── example.pdiparmas.info file
ModelName_epoch_00001.pdparams，命名中的数字对应Epoch编号。如果训练任务终止，可以加载断点权重文件(优化器-学习率参数，断点文件)继续训练。
需要指定-o resume_epoch参数，该参数表示从resume_epoch轮开始继续训练.
export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
--gpus="0,1,2,3" \
main.py \
-c ./configs/example.yaml \
--validate \
-o resume_epoch=5
进行模型微调（Finetune），对自定义数据集进行模型微调，需要指定 --weights 参数来加载预训练模型。
export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
--gpus="0,1,2,3" \
main.py \
-c ./configs/example.yaml \
--validate \
--weights=./output/example/path_to_weights
PaddleVideo会自动不加载shape不匹配的参数
需要指定 --test来启动测试模式，并指定--weights来加载预训练模型。
python3 -m paddle.distributed.launch \
--gpus="0,1,2,3" \
main.py \
-c ./configs/example.yaml \
--test \
--weights=./output/example/path_to_weights
通过导出inference模型，PaddlePaddle支持使用预测引擎进行预测推理。接下来介绍如何用预测引擎进行推理：
首先，对训练好的模型进行转换
指定-c参数加载配置文件，指定-p参数加载模型权重，指定-o用于指定转换后模型的存储路径。
python tools/export_model.py \
-c ./configs/example.yaml \
-p ./output/example/path_to_weights \
-o ./inference
上述命令将生成模型结构文件（model_name.pdmodel）和模型权重文件（model_name.pdiparams），然后可以使用预测引擎进行推理：
python tools/predict.py \
--input_file "data/example.avi" \
--model_file "./inference/TSN.pdmodel" \
--params_file "./inference/TSN.pdiparams" \
--use_gpu=True \
--use_tensorrt=False
其中：
input_file：待预测的文件路径或文件夹路径，如 ./test.avi
model_file：模型结构文件路径，如 ./inference/TSN.pdmodel
params_file：模型权重文件路径，如 ./inference/TSN.pdiparams
use_tensorrt：是否使用 TesorRT 预测引擎，默认值：False
use_gpu：是否使用 GPU 预测，默认值：True
混合精度训练使用fp16数据类型进行训练，可以加速训练过程，减少显存占用，其训练启动命令如下：
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
export FLAGS_conv_workspace_size_limit=800 #MB
export FLAGS_cudnn_exhaustive_search=1
export FLAGS_cudnn_batchnorm_spatial_persistent=1
python3.7 -B -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" --log_dir=your_log_dir main.py --amp --validate -c configs_path/your_config.yaml
各模型详细的使用文档，可以参考Models
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。