comments: true

PaddleX 3.0 图像异常检测产线———食品外观质检教程

PaddleX 提供了丰富的模型产线，模型产线由一个或多个模型组合实现，每个模型产线都能够解决特定的场景任务问题。PaddleX 所提供的模型产线均支持快速体验，如果效果不及预期，也同样支持使用私有数据微调模型，并且 PaddleX 提供了 Python API，方便将产线集成到个人项目中。在使用之前，您首先需要安装 PaddleX，安装方式请参考 PaddleX 安装。此处以一个食品外观质检的任务为例子，介绍模型产线工具的使用流程。

1. 选择产线

首先，需要根据您的任务场景，选择对应的 PaddleX 产线，此处为食品外观质检，需要了解到这个任务属于异常检测任务，对应 PaddleX 的通用异常检测产线。如果无法确定任务和产线的对应关系，您可以在 PaddleX 支持的模型产线列表中了解相关产线的能力介绍。

2. 快速体验

PaddleX 提供了以下快速体验的方式，可以直接通过 PaddleX wheel 包在本地体验。

本地体验方式：

paddlex --pipeline anomaly_detection \
    --input https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/uad_hazelnut.png \
    --save_path output

快速体验产出推理结果示例：

当体验完该产线之后，需要确定产线是否符合预期（包含精度、速度等），产线包含的模型是否需要继续微调，如果模型的速度或者精度不符合预期，则需要根据模型选择选择可替换的模型继续测试，确定效果是否满意。如果最终效果均不满意，则需要微调模型。本教程希望产出检测出食品榛子外观异常的模型，显然默认的权重（铁丝网数据集训练产出的权重）无法满足要求，需要采集和标注数据，然后进行训练微调。

3. 选择模型

PaddleX 提供了 1 个端到端的高精度异常检测模型，具体可参考模型列表，其中模型的benchmark如下：

模型	mIoU	模型存储大小（MB）
STFPM	0.9901	22.5

以上模型精度指标测量自 MVTec_AD 数据集中的grid类别。

4. 数据准备和校验

4.1 数据准备

本教程采用 食品外观质检数据集 作为示例数据集，可通过以下命令获取示例数据集。如果您使用自备的已标注数据集，需要按照 PaddleX 的格式要求对自备数据集进行调整，以满足 PaddleX 的数据格式要求。关于数据格式介绍，您可以参考 PaddleX 分割任务模块数据标注教程。

数据集获取命令：

cd /path/to/paddlex
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/anomaly_detection_hazelnut.tar -P ./dataset
tar -xf ./dataset/anomaly_detection_hazelnut.tar -C ./dataset/

4.2 数据集校验

在对数据集校验时，只需一行命令：

python main.py -c paddlex/configs/modules/image_anomaly_detection/STFPM.yaml \
    -o Global.mode=check_dataset \
    -o Global.dataset_dir=./dataset/anomaly_detection_hazelnut

执行上述命令后，PaddleX 会对数据集进行校验，并统计数据集的基本信息。命令运行成功后会在 log 中打印出 Check dataset passed ! 信息，同时相关产出会保存在当前目录的 ./output/check_dataset 目录下，产出目录中包括可视化的示例样本图片和样本分布直方图。校验结果文件保存在 ./output/check_dataset_result.json，校验结果文件具体内容为

{
  "done_flag": true,
  "check_pass": true,
  "attributes": {
    "train_sample_paths": [
      "check_dataset/demo_img/294.png",
      "check_dataset/demo_img/260.png",
      "check_dataset/demo_img/297.png",
      "check_dataset/demo_img/170.png",
      "check_dataset/demo_img/068.png",
      "check_dataset/demo_img/212.png",
      "check_dataset/demo_img/204.png",
      "check_dataset/demo_img/233.png",
      "check_dataset/demo_img/367.png",
      "check_dataset/demo_img/383.png"
    ],
    "train_samples": 391,
    "val_sample_paths": [
      "check_dataset/demo_img/012.png",
      "check_dataset/demo_img/017.png",
      "check_dataset/demo_img/006.png",
      "check_dataset/demo_img/013.png",
      "check_dataset/demo_img/014.png",
      "check_dataset/demo_img/010.png",
      "check_dataset/demo_img/007.png",
      "check_dataset/demo_img/001.png",
      "check_dataset/demo_img/002.png",
      "check_dataset/demo_img/009.png"
    ],
    "val_samples": 70,
    "num_classes": 1
  },
  "analysis": {
    "histogram": "check_dataset/histogram.png"
  },
  "dataset_path": "anomaly_detection_hazelnut",
  "show_type": "image",
  "dataset_type": "SegDataset"
}

上述校验结果中，check_pass 为 True 表示数据集格式符合要求，其他部分指标的说明如下：

attributes.num_classes：该数据集类别数为 1，此处类别数量为后续训练需要传入的类别数量；
attributes.train_samples：该数据集训练集样本数量为 391；
attributes.val_samples：该数据集验证集样本数量为 70；
attributes.train_sample_paths：该数据集训练集样本可视化图片相对路径列表；
attributes.val_sample_paths：该数据集验证集样本可视化图片相对路径列表；

另外，数据集校验还对数据集中所有类别的样本数量分布情况进行了分析，并绘制了分布直方图（histogram.png）：

注：只有通过数据校验的数据才可以训练和评估。

4.3 数据集格式转换/数据集划分（非必选）

如需对数据集格式进行转换或是重新划分数据集，可通过修改配置文件或是追加超参数的方式进行设置。

数据集校验相关的参数可以通过修改配置文件中 CheckDataset 下的字段进行设置，配置文件中部分参数的示例说明如下：

CheckDataset:
- convert:
  - enable: 是否进行数据集格式转换，为 True 时进行数据集格式转换，默认为 False;
  - src_dataset_type: 如果进行数据集格式转换，则需设置源数据集格式，数据可选源格式为 LabelMe 和 VOC；
- split:
  - enable: 是否进行重新划分数据集，为 True 时进行数据集格式转换，默认为 False；
  - train_percent: 如果重新划分数据集，则需要设置训练集的百分比，类型为 0-100 之间的任意整数，需要保证和 val_percent 值加和为 100；
  - val_percent: 如果重新划分数据集，则需要设置验证集的百分比，类型为 0-100 之间的任意整数，需要保证和 train_percent 值加和为 100；

数据转换和数据划分支持同时开启，对于数据划分原有标注文件会被在原路径下重命名为 xxx.bak，以上参数同样支持通过追加命令行参数的方式进行设置，例如重新划分数据集并设置训练集与验证集比例：-o CheckDataset.split.enable=True -o CheckDataset.split.train_percent=80 -o CheckDataset.split.val_percent=20。

5. 模型训练和评估

5.1 模型训练

在训练之前，请确保您已经对数据集进行了校验。完成 PaddleX 模型的训练，只需如下一条命令：

python main.py -c paddlex/configs/modules/image_anomaly_detection/STFPM.yaml \
    -o Global.mode=train \
    -o Global.dataset_dir=./dataset/anomaly_detection_hazelnut \
    -o Train.epochs_iters=4000

在 PaddleX 中模型训练支持：修改训练超参数、单机单卡/多卡训练等功能，只需修改配置文件或追加命令行参数。

PaddleX 中每个模型都提供了模型开发的配置文件，用于设置相关参数。模型训练相关的参数可以通过修改配置文件中 Train 下的字段进行设置，配置文件中部分参数的示例说明如下：

Global：
- mode：模式，支持数据校验（check_dataset）、模型训练（train）、模型评估（evaluate）和模型推理（predict）；
- device：训练设备，可选cpu、gpu、xpu、npu、mlu，除 cpu 外，多卡训练可指定卡号，如：gpu:0,1,2,3；
Train：训练超参数设置；
- epochs_iters：训练迭代次数数设置；
- learning_rate：训练学习率设置；

更多超参数介绍，请参考 PaddleX 通用模型配置文件参数说明。

注：

以上参数可以通过追加令行参数的形式进行设置，如指定模式为模型训练：-o Global.mode=train；指定前 2 卡 gpu 训练：-o Global.device=gpu:0,1；设置训练迭代次数为 5000：-o Train.epochs_iters=5000。
模型训练过程中，PaddleX 会自动保存模型权重文件，默认为output，如需指定保存路径，可通过配置文件中 -o Global.output 字段
PaddleX 对您屏蔽了动态图权重和静态图权重的概念。在模型训练的过程中，会同时产出动态图和静态图的权重，在模型推理时，默认选择静态图权重推理。

训练产出解释:

在完成模型训练后，所有产出保存在指定的输出目录（默认为./output/）下，通常有以下产出：

train_result.json：训练结果记录文件，记录了训练任务是否正常完成，以及产出的权重指标、相关文件路径等；
train.log：训练日志文件，记录了训练过程中的模型指标变化、loss 变化等；
config.yaml：训练配置文件，记录了本次训练的超参数的配置；
.pdparams、.pdema、.pdopt.pdstate、.pdiparams、.pdmodel：模型权重相关文件，包括网络参数、优化器、EMA、静态图网络参数、静态图网络结构等；

5.2 模型评估

在完成模型训练后，可以对指定的模型权重文件在验证集上进行评估，验证模型精度。使用 PaddleX 进行模型评估，只需一行命令：

python main.py -c paddlex/configs/modules/image_anomaly_detection/STFPM.yaml \
    -o Global.mode=evaluate \
    -o Global.dataset_dir=./dataset/anomaly_detection_hazelnut

与模型训练类似，模型评估支持修改配置文件或追加命令行参数的方式设置。

注：在模型评估时，需要指定模型权重文件路径，每个配置文件中都内置了默认的权重保存路径，如需要改变，只需要通过追加命令行参数的形式进行设置即可，如-o Evaluate.weight_path=./output/best_model/model.pdparams。

5.3 模型调优

在学习了模型训练和评估后，我们可以通过调整超参数来提升模型的精度。通过合理调整训练轮数，您可以控制模型的训练深度，避免过拟合或欠拟合；而学习率的设置则关乎模型收敛的速度和稳定性。因此，在优化模型性能时，务必审慎考虑这两个参数的取值，并根据实际情况进行灵活调整，以获得最佳的训练效果。

推荐在调试参数时遵循控制变量法：

首先固定训练迭代次数为 4000，批大小为 1。
基于 STFPM 模型启动三个实验，学习率分别为：0.01，0.1，0.4。
可以发现实验三精度最高的配置为学习率为 0.4，在该训练超参数基础上，增加训练论次数到5000，可以看到达到更优的精度。

学习率探寻实验结果：

实验	迭代次数	学习率	batch_size	训练环境	mIoU
实验一	4000	0.01	1	4卡	0.9646
实验二	4000	0.1	1	4卡	0.9707
实验三	4000	0.4	1	4卡	0.9797

改变 epoch 实验结果：

实验	迭代次数	学习率	batch_size	训练环境	mIoU
实验三	4000	0.4	1	4卡	0.9797
实验三增大训练迭代次数	5000	0.4	1	4卡	0.9826

注：本教程为4卡教程，如果您只有1张GPU，可通过调整训练卡数完成本次实验，但最终指标未必和上述指标对齐，属正常情况。

6. 产线测试

将产线中的模型替换为微调后的模型进行测试, 可以获取 anomaly_detection 产线配置文件，并加载配置文件进行预测。可执行如下命令将配置保存在 my_path 中：

paddlex --get_pipeline_config anomaly_detection --save_path ./my_path

将my_path/anomaly_detection.yaml配置文件中的SubModules.AnomalyDetection.model_dir修改为自己的模型路径output/best_model/inference：

pipeline_name: anomaly_detection

SubModules:
  AnomalyDetection:
    module_name: anomaly_detection
    model_name: STFPM
    model_dir: output/best_model/inference  # 替换为微调后的图像异常检测模型权重路径
    batch_size: 1

随后在 Python 代码中，您可以这样调用产线：

from paddlex import create_pipeline
pipeline = create_pipeline(pipeline="./my_path/anomaly_detection.yaml")
output = pipeline.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/uad_hazelnut.png")
for res in output:
    res.print() ## 打印预测的结构化输出
    res.save_to_img("./output/") ## 保存结果可视化图像
    res.save_to_json("./output/") ## 保存预测的结构化输出

通过上述可在./output下生成预测结果，其中uad_hazelnut.png的预测结果如下：

7. 开发集成/部署

如果通用异常检测产线可以达到您对产线推理速度和精度的要求，您可以直接进行开发集成/部署。

直接将训练好的模型应用在您的 Python 项目中，可以参考如下示例:

from paddlex import create_pipeline
pipeline = create_pipeline(pipeline="my_path/anomaly_detection.yaml")
output = pipeline.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/uad_hazelnut.png")
for res in output:
res.print() # 打印预测的结构化输出
res.save_to_img("./output/") # 保存结果可视化图像
res.save_to_json("./output/") # 保存预测的结构化输出

更多参数请参考异常检测产线使用教程。

此外，PaddleX 也提供了其他三种部署方式，详细说明如下：

高性能部署：在实际生产环境中，许多应用对部署策略的性能指标（尤其是响应速度）有着较严苛的标准，以确保系统的高效运行与用户体验的流畅性。为此，PaddleX 提供高性能推理插件，旨在对模型推理及前后处理进行深度性能优化，实现端到端流程的显著提速，详细的高性能部署流程请参考 PaddleX 高性能推理指南。
服务化部署：服务化部署是实际生产环境中常见的一种部署形式。通过将推理功能封装为服务，客户端可以通过网络请求来访问这些服务，以获取推理结果。PaddleX 支持用户以低成本实现产线的服务化部署，详细的服务化部署流程请参考 PaddleX 服务化部署指南。
端侧部署：端侧部署是一种将计算和数据处理功能放在用户设备本身上的方式，设备可以直接处理数据，而不需要依赖远程的服务器。PaddleX 支持将模型部署在 Android 等端侧设备上，详细的端侧部署流程请参考 PaddleX端侧部署指南。

您可以根据需要选择合适的方式部署模型产线，进而进行后续的 AI 应用集成。

anomaly_detection_tutorial.md 16 KB History Raw