FAQ.md 10 KB
FAQ(常见问题)
GUI相关问题
Q1: GUI在使用过程中卡死该怎么解决?
> **A:** 卡死后点击一下这个按钮即可恢复正常 >
> 
>
Q2: GUI训练时报错怎么办？
> **A:** 首先打开当前项目的日志文件，查看报错信息。 > > 例如此前将PaddleX GUI的工作空间设置在`D:/work_space`下，则根据在GUI上的项目ID和任务ID找到当前任务的日志文件，例如`D:/work_space/projects/P0001/T0001/err.log/err.log`和`D:/work_space/projects/P0001/T0001/err.log/out.log` > > 如果无法定位出问题，可进一步查看PaddleX GUI的系统日志：例如在`C:/User/User_name/.paddlex/logs/paddlex.log` > > 查看上述三个日志文件，基本可以定位出是否是显存不足、或者是数据路径不对等问题。如果是显存不足，请调低batch_size（需同时按比例调低学习率等参数）。其他无法解决的问题，可以前往GitHub[提ISSUE](https://github.com/PaddlePaddle/PaddleX/issues)，描述清楚问题会有工程师及时回复。Q3: GUI卡死在启动界面，但之前可以正常使用
> GUI之前可以正常使用，但是本次运行一直处于启动界面，无法进入到主界面，如下所示： >
> 
>
Q4: 如何及时更新PaddleX GUI 2.0内置的PaddleX API？
> **A:** 在PaddleX GUI 2.0的执行文件`PaddleX.exe`的同级目录下有个名为`paddlex`的文件夹，请将该文件夹替换成PaddleX github develop分支下的paddlex，即https://github.com/PaddlePaddle/PaddleX/tree/develop/paddlexQ5: PaddleX GUI 2.0如何无缝切换PaddleX API训练？
> **A:** 在PaddleX GUI 2.0中已经生成的项目，如果想要换成PaddleX API进行训练，可进行如下步骤： > > 1. 找到该项目所在的工作空间，例如`D:/work_space/projects/P0001/T0001/`，该路径下有个名为`script.py`的训练脚本，此脚本包含该项目中的数据集路径和模型参数设置 > 2. 安装PaddleX API，参考[安装文档](../install.md#1-paddlex-api开发模式安装) > 3. 开启终端，进入到`script.py`所在路径（例如`D:/work_space/projects/P0001/T0001/`），然后运行训练脚本： > ``` > python script.py > ```Q6: Exception: A space is defined as the separator, but it exists in image or label name ...
> **A:** 图片路径里面存在空格，因为空格作为图片和标注文件之间的空格符，所以需要把路径里的空格删掉。另外需要注意，路径中不要有中文API训练相关问题
Q1: loss为nan时怎么办？
> **A:** loss为nan表示梯度爆炸，导致loss为无穷大。这时候，需要将学习率（learning rate）调小，或者增大批大小（batch_size）。Q2: YOLO系列为什么要训练这么久？
> **A:** 像yolo系列的数据增强比较多，所以训练的epoch要求要多一点，具体在不同的数据集上的时候，训练参数需要调整一下。比如我们先前示例给出ppyolo，ppyolov2的训练参数都是针对COCO数据集换算到单卡上的配置，但是在昆虫这份数据集上的效果并不好，后来我们进行了调整，您可以参考我们调整的参数相应调整自己的参数，具体调了哪些可以看我们之前的[pr](https://github.com/PaddlePaddle/PaddleX/pull/853/files)。Q3: windows下shapely报错：lgeos = CDLL(os.path.join(sys.prefix, 'Library', 'bin', 'geos_c.dll')) OSError: [WinError 126] 找不到指定的模块
> **A:** windows上，在conda环境内通过pip install shapely后会出现该问题，具体可以看shapely issue [Toblerity/Shapely#1032](https://github.com/Toblerity/Shapely/issues/1032)。解决办法： > > 1. 卸载pip安装的shapely > > ``` > pip uninstall shapely > ``` > > 2. 然后用conda安装 > > ``` > conda install shapely==1.7.1 > > ```Q4: windows下RCNN训练pycocotools报错：Expected 88 from C header, got 80 from PyObject
> **A:** 将numpy版本更新至1.20.0+可解决该问题推理部署问题
Q1: 如何在程序中手动释放inference model和占用的显存?
> **A:** **只要初始化模型的那个进程结束了，占用的显存会自动释放**。 > 当出现显存没有释放的情况时，可能是：在主进程中初始化模型，然后在线程里完成图片的预测，这样在使用上是没有问题的，但是线程退出后显存不会释放，需要等到主进程退出才会释放显存。当然，线程退出后虽然显存没有被释放，但是后续使用是可以继续复用的，显存不会一直增长。 > 所以建议大家在子进程里做模型的初始化和预测，这样在子进程结束后会自动释放显存。Q2: 提高预测速度的策略都有哪些？
> **A:** 1. 可以考虑使用更加轻量的backbone；看看图像预处理和预测结果后处理有没有优化空间；相比于python推理预测，用C++会更快；同时对批量图片进行预测；可以尝试使用加速库，例如在CPU上部署时可以开启mkdldnn，或者使用用OpenVINO推理引擎加速性能，在Nvidia GPU上部署时可以使用TensorRT加速性能； > 2. 在测试性能时，需要注意给模型进行预热，例如先让模型预测100轮之后，再开始进行性能测试和记录，这样得到的性能指标才准确。Q3: 使用python 部署时预测结果如何可视化？
> **A:** 检测模型的预测结果可以用API`pdx.det.visualize`，分割模型的预测结果可以用API`pdx.seg.visualize`，预测可视化见[Python部署](../python_deploy.md), 可视化API说明见[文档](../apis/prediction.md)，Q4：使用C++部署时预测结果如何可视化？
> **A:** 在C++部署环节，我们也提供了简单的可视化接口便于大家调试。因预测结果可视化不是部署上线的必要步骤，所以我们给出的demo中没有默认链接可视化代码，如果需要通过可视化辅助调试，需要按照以下步骤链接可视化接口。这个可视化示例旨在帮助大家快速理解PaddleX Deploy的预测结果结构，如果是更为复杂的可视化功能，需要大家根据业务需求做进一步开发。 > > **step1: 在Cmakelist.txt中添加可视化代码路径** > > 在https://github.com/PaddlePaddle/PaddleX/blob/develop/deploy/cpp/CMakeLists.txt#L52 之后加上： > > ``` > aux_source_directory(${PROJECT_SOURCE_DIR}/model_deploy/utils/src DETECTOR_SRC) > ``` > > **step2: 在目标检测和语义分割的预测demo中加入Visualize接口** > > * 以昆虫检测([API tutorials](../../tutorialstrain/object_detection/faster_rcnn_r50_fpn.py)对应GUI中的样例工程)为例： > > > 在https://github.com/PaddlePaddle/PaddleX/blob/develop/deploy/cpp/demo/model_infer.cpp#L19 后添加可视化代码的头文件： > > ``` > > #include "model_deploy/utils/include/visualize.h" > > ``` > > [可选]如果需要对低分框过滤，还可以加上过滤框代码的头文件： > > ``` > > #include "model_deploy/utils/include/bbox_utils.h" > > ``` > > 在https://github.com/PaddlePaddle/PaddleX/blob/develop/deploy/cpp/demo/model_infer.cpp#L57 后添加可视化代码： > > ``` > > cv::Mat vis_det; > > Visualize(imgs[0], *(results[0].det_result), &vis_det, 6); > > cv::imwrite("vis_det.jpg", vis_det); > > ``` > > > 6表示当前数据集的类别数，请根据实际情况设置 > > > [可选]如果需要对低分框过滤，添加过滤框和可视化代码： > > ``` > > cv::Mat vis_det; > > std::vector filter_results; > > float score_thresh = 0.5; > > FilterBbox(results, score_thresh, &filter_results); > > Visualize(imgs[0], *(filter_results[0].det_result), &vis_det, 6); > > cv::imwrite("vis_det.jpg", vis_det); > > ``` > > > 6表示当前数据集的类别数，请根据实际情况设置 > > > > 我们对昆虫数据集中的0205.jpg预测结果可视化如下： > >
> > 
> >
> > 
> >