企业官网建设流程全解析

• 人工智能
• 计算机视觉
• 预训练

导读

本文给出「数据标注 → 模型训练 → 评估预测」的一条完整目标检测实战链路：使用 PaddleLabel 完成道路标志数据集的标注、划分与导出，再交给 PaddleDetection 基于 YOLOv3 + MobileNetV1 训练一个自定义路标检测模型。读完本文，你将掌握 PaddleLabel 检测标注项目的完整操作流程（PASCAL VOC 数据格式、数据集划分与导出），以及 PaddleDetection 中针对自定义数据集的配置修改、训练、评估与单图预测方法，可直接复刻到自己的目标检测任务中。

1. 全流程概览：PaddleLabel 与 PaddleDetection 如何衔接

PaddleLabel 是飞桨生态的配套标注工具，涵盖分类、检测、分割三类常见视觉任务的标注能力，并支持手动标注与机器学习预标注相结合；其导出数据可直接用于 Paddle 各套件的训练预测流程（见 contrib/PaddleLabel/README.md）。对于检测任务，PaddleLabel 支持PASCAL VOC、COCO、YOLO三种数据集格式（见 检测标注文档），本文采用 PASCAL VOC 格式衔接 PaddleDetection。

整条链路可以概括为：

PaddleLabel 标注数据 + PaddleDetection 训练预测 = 快速完成一次目标检测任务

具体分为三大阶段：

1. 数据准备：在 PaddleLabel 中创建检测标注项目 → 用矩形框逐张标注 → 使用Split Dataset功能划分训练/验证/测试子集 → 导出数据集。
2. 模型训练：安装 paddlepaddle 与 PaddleDetection → 将导出的数据集放入PaddleDetection/dataset/→ 修改数据集配置文件 → 启动训练。
3. 评估与预测：用eval.py评估模型精度，用infer.py对单张图片进行推理验证。

2. 数据准备：用 PaddleLabel 标注路标数据集

2.1 安装与启动 PaddleLabel

推荐在独立虚拟环境中安装，避免依赖冲突（详见 安装指南）：

conda create -n paddlelabel python=3.10 conda activate paddlelabel pip install --upgrade paddlelabel

启动服务（默认运行在http://127.0.0.1:17995，可用--port/-p指定端口，--lan/-l暴露到局域网便于在平板上标注）：

paddlelabel # 等价命令：pdlabel paddlelabel --port 8000 --lan

2.2 创建检测标注项目

浏览器打开 PaddleLabel 后，通过「创建项目」下的目标检测卡片创建新项目，需要填写（见 检测标注文档）：

• 项目名称（必填）：检测标注项目的名称；
• 数据集路径（必填）：本地数据集的根文件夹（建议从文件管理器复制粘贴）；
• 数据集描述（选填）：项目简单描述；
• 标签格式（选填）：导入数据集的格式，如果数据集尚不含标注信息则无需选择。

2.3 标注操作

PaddleLabel 标注界面分为五个区域：上方为可切换的标签页，下方为标注进度展示，左侧为图像显示区与工具栏，右侧为标签列表。检测任务的标注步骤为：

1. 点击右侧「添加标签」，创建路标类别（如speedlimit、stop、crosswalk、trafficlight等）；
2. 选中一个标签，点击左侧工具栏的「矩形」，在图像上依次点击目标物体的左上角和右下角，出现矩形框即完成当前目标标注；通过「编辑」可调整矩形框大小和位置；
3. 点击左右按钮切换图像，重复上述操作直至全部标注完成；
4. 通过下方进度展示查看标注进度。

注意：右侧标签栏包含「标签列表」和「标注列表」两种视图。在目标检测中，标签列表对应类别，标注列表对应某个类别下的一个实例（即一个标注框）。

2.4 数据划分与导出

标注完成后，点击右侧工具栏的「项目总览」进入总览界面：

• 划分数据集（Split Dataset）：点击「划分数据集」按钮，分别填入训练集、验证集、测试集的占比，点击确定完成划分；
• 导出数据集：点击「导出数据集」，输入导出目标文件夹路径，点击确认即可导出。

导出的数据会生成train_list.txt、val_list.txt、test_list.txt三个划分文件以及labels.txt标签文件。labels.txt中每行一个标签名，标签编号从0开始递增；xx_list.txt的每一行以相对数据集根目录的图像路径开头，后跟对应的标注文件路径或类别（详见 数据集文件结构说明）。

2.5 导出的数据集目录结构

将 PaddleLabel 导出的内容整体放到自建目录下，例如roadsign_det_dataset：

├── roadsign_det_dataset │ ├── Annotations # PASCAL VOC 格式的 xml 标注文件 │ ├── JPEGImages # 图像文件 │ ├── labels.txt # 类别标签（每行一个，编号从 0 开始） │ ├── test_list.txt # 测试集划分列表 │ ├── train_list.txt # 训练集划分列表 │ └── val_list.txt # 验证集划分列表

这正是 PASCAL VOC 格式：每张图像对应一个 xml 标注文件，xml 中<object>节点下的<bndbox>保存xmin/ymin/xmax/ymax四角坐标；PaddleLabel 导入时会解析 xml 中的folder与filename节点来匹配图像文件，folder缺失时默认取JPEGImages（xml 的完整字段结构可参考 数据集文件结构说明 中的示例）。

3. 模型训练：PaddleDetection 训练自定义路标检测模型

3.1 安装必备库

3.1.1 安装 paddlepaddle

# 机器安装的是 CUDA9 或 CUDA10，运行以下命令安装 GPU 版 pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple # 机器为纯 CPU 环境，运行以下命令安装 CPU 版 # pip install paddlepaddle

3.1.2 安装 PaddleDetection 及依赖

git clone https://gitee.com/paddlepaddle/PaddleDetection cd PaddleDetection pip install -r requirements.txt python setup.py install

3.2 准备自制的路标数据集

将上一步导出的数据集放入 PaddleDetection 的dataset目录下：

cd ./PaddleDetection/dataset/ mkdir roadsign_det_dataset cd ../../ cp -r ./roadsign_det_dataset/* ./PaddleDetection/dataset/roadsign_det_dataset

3.3 修改配置文件

该任务主要涉及 6 个配置文件：

对于自定义数据集，通常只需修改定义训练数据路径的配置文件：

PaddleDetection/configs/datasets/roadsign_voc.yml

metric: VOC map_type: integral num_classes: 4 TrainDataset: !VOCDataSet dataset_dir: dataset/roadsign_det_dataset anno_path: train_list.txt label_list: labels.txt data_fields: ['image', 'gt_bbox', 'gt_class', 'difficult'] EvalDataset: !VOCDataSet dataset_dir: dataset/roadsign_det_dataset anno_path: val_list.txt label_list: labels.txt data_fields: ['image', 'gt_bbox', 'gt_class', 'difficult'] TestDataset: !ImageFolder anno_path: dataset/roadsign_det_dataset/labels.txt

要点说明：

• num_classes需与labels.txt中的类别数一致（示例中为 4 类路标）；
• TrainDataset/EvalDataset使用!VOCDataSet读取 PaddleLabel 导出的 VOC 格式数据，anno_path分别指向导出的train_list.txt与val_list.txt；
• TestDataset使用!ImageFolder读取整目录图像用于预测，仅需提供标签列表路径；
• 主配置文件yolov3_mobilenet_v1_roadsign.yml会通过 include 机制把roadsign_voc.yml、optimizer_40e.yml、yolov3_mobilenet_v1.yml、yolov3_reader.yml等组合起来，因此只需保证数据路径配置正确即可启动训练。

3.4 开始训练

export CUDA_VISIBLE_DEVICES=0 # 开始训练，--eval 表示边训练边验证 python PaddleDetection/tools/train.py -c configs/yolov3/yolov3_mobilenet_v1_roadsign.yml --eval -o use_gpu=true

• -c指定主配置文件；
• --eval开启训练过程中的周期性验证，便于实时观察精度变化；
• -o use_gpu=true覆盖配置中的公共参数，显式启用 GPU 训练。

4. 模型评估与预测

4.1 评估

训练完成后，用eval.py在验证集上评估模型精度：

python PaddleDetection/tools/eval.py -c PaddleDetection/configs/yolov3/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true

4.2 预测

使用infer.py对单张图片进行推理：

python PaddleDetection/tools/infer.py \ -c PaddleDetection/configs/yolov3/yolov3_mobilenet_v1_roadsign.yml \ -o use_gpu=true \ --infer_img=demo/road554.png

--infer_img指定待预测图片路径。以路标检测为例，对一张包含限速标志的测试图，模型输出speedlimit 0.77，即预测类别为限速标志、置信度 0.77，预测正确。

5. 扩展：检测预标注与更多衔接方式

如果标注工作量较大，PaddleLabel 还提供基于飞桨的检测预标注能力：通过加载预训练检测模型（如 PicoDet），可对未标注图像自动生成候选框，标注人员只需确认或微调，能显著提升标注效率，使用方法见 检测自动标注文档。

除 PaddleDetection 外，PaddleLabel 导出的数据同样可以衔接 PaddleClas 分类训练、PaddleSeg 分割训练 以及 PaddleX 全流程工具链（训练教程索引），标注一次、多套件复用。此外，标注界面的「项目总览」还提供「导入额外数据」功能，可随时向已有项目补充新图片继续标注。

6. 总结

本文以道路标志检测为实例，完整串联了「PaddleLabel 标注（矩形框 + 数据集划分 + VOC 导出）→ PaddleDetection 训练（自定义数据集配置 + YOLOv3 训练）→ 评估与单图预测」的全流程。核心要点可归纳为：

1. 格式对齐是衔接关键：PaddleLabel 导出的 PASCAL VOC 目录结构（Annotations/JPEGImages/labels.txt/xx_list.txt）与 PaddleDetection 的VOCDataSet读取方式天然匹配，仅需在roadsign_voc.yml中指向数据集路径并核对num_classes；
2. 配置文件职责单一：主配置只做组装，数据路径、优化器、模型、reader 各自独立，自定义数据集时只动数据配置即可；
3. 全流程可复用：同一套「标注→导出→配置→训练→评估」方法论可直接迁移到任何自定义目标检测数据集（行人、车辆、缺陷等），也可横向迁移到分类与分割任务。

• 人工智能
• 计算机视觉
• 预训练