在 167.人工智能——智能标注PaddleLabel的使用 文章中，有讲如何使用PaddleLabel来智能标注数据。本文主要使用标注好的目标检测数据，使用PaddleX来进行模型训练和部署。关于PaddleX的使用，可以参看165.人工智能——飞桨AI套件PaddleX体验使用（猫狗分类任务）。

登录到PP飞桨AI Studio，创建PaddleX项目，选择基础模型PP-PicoDet_l_640_LCNet（有免费GPU算力），

一、准备数据集

PaddleX针对目标检测任务定义的数据集，名称是COCODetDataset，组织结构和标注格式如下。

dataset_dir                  # 数据集根目录，目录名称可以改变
├── annotations              # 标注文件的保存目录，目录名称不可改变
│   ├── instance_train.json  # 训练集标注文件，文件名称不可改变，采用COCO标注格式
│   └── instance_val.json    # 验证集标注文件，文件名称不可改变，采用COCO标注格式
└── images                   # 图像的保存目录，目录名称不可改变

对于使用LabelMe标注的数据集，或是VOC格式的数据集，可以使用x2coco脚本将数据集转换成COCO格式，

注意：在PaddleLabel目标检测任务导出的coco格式后，不能直接在项目中使用（查看文件，发现格式写法不同）。

解决办法：先导出VOC格式 ，再转换成coco格式，可以参看：126.人工智能——PascalVOC和MSCOCO数据集格式相互转换

二、打开项目，校验数据

三、模型训练

这里调整批次大小和学习率

四、模型评估

五、导出预测模型

离线部署包里有，有完整示例和模型以及详细的说明文档。

六、预测部署

本地预测代码

import fastdeploy as fd
import cv2
import os

model_dir="picodet-bicycle-infer_model"
model_file = os.path.join(model_dir, "inference.pdmodel")
params_file = os.path.join(model_dir, "inference.pdiparams")
config_file = os.path.join(model_dir, "inference.yml")

model=fd.vision.detection.PicoDet(model_file,params_file,config_file, 
                                  runtime_option=None,model_format=fd.ModelFormat.PADDLE)     

# 加载图像
image_file = "img/test3.jpg"
img=cv2.imread(image_file)

# 预测结果
result=model.predict(img)
print(result)

#直接可视化输出结果
vis_img= fd.vision.vis_detection(img,result,score_threshold=0.5)
#保存结果
#cv2.imwrite("visualized_result.jpg", vis_img)

cv2.imshow("result",vis_img)
cv2.waitKey(0)
cv2.destroyAllWindows()    

对于人工智能计算机视频任务，PaddleX套件还是非常友好。适合初学者、小项目小任务的学习体验。