PaddleX/docs/tutorials/train

PaddleX 模型训练和评估

在训练之前，请确保您的数据集已经经过了数据校验。经过数据校验的数据集才可以进行训练。PaddleX 提供了很多不同的任务模块，不同的模块下又内置了很多被广泛验证的高精度、高效率、精度效率均衡的模型。训练模型时，您只需要一行命令，即可发起相应任务的训练。本文档提供了图像分类任务模块的 PP-LCNet_x1_0 模型的训练和评估示例，其他任务模块的训练与图像分类类似。当您按照PaddleX 数据集标注和 PaddleX 数据集校验准备好训练数据后，即可参考本文档完成所有 PaddleX 支持的模型训练。

1. 模型训练

完成 PaddleX 模型的训练，只需如下一条命令：

python main.py -c paddlex/configs/image_classification/PP-LCNet_x1_0.yaml \
    -o Global.mode=train \
    -o Global.dataset_dir=./dataset/cls_flowers_examples

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）；
  • 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：训练轮次数设置；
  • learning_rate：训练学习率设置；

更多超参数介绍，请参考 PaddleX 超参数介绍。

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；设置训练轮次数为 10：-o Train.epochs_iters=10。
• 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 字段进行设置。
• 在 OCR 和语义分割任务模块中，参数 epochs_iters 对应训练 Step 数，在其他任务模块中，参数 epochs_iters 对应训练 Epoch 数。

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/image_classification/PP-LCNet_x1_0.yaml \
    -o Global.mode=evaluate \
    -o Global.dataset_dir=./dataset/cls_flowers_examples

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.pdparams。

3. 须知事项

3.1 训练须知事项

• 训练其他模型时，需要的指定相应的配置文件，模型和配置的文件的对应关系，可以详情模型库。

• 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。

  3.2 训练产出解释