本目录下整理了使用PaddleX训练模型的示例代码，代码中均提供了示例数据的自动下载，并均使用单张GPU卡进行训练。
| 代码 | 模型任务 | 数据 |
|---|---|---|
| image_classification/alexnet.py | 图像分类AlexyNet | 蔬菜分类 |
| image_classification/shufflenetv2.py | 图像分类ShuffleNetV2 | 蔬菜分类 |
| image_classification/mobilenetv3_small.py | 图像分类MobileNetV3_small | 蔬菜分类 |
| image_classification/mobilenetv3_large_w_custom_optimizer.py | 图像分类MobileNetV3_large | 蔬菜分类 |
| image_classification/resnet50_vd_ssld.py | 图像分类ResNet50_vd_ssld | 蔬菜分类 |
| image_classification/darknet53.py | 图像分类DarkNet53 | 蔬菜分类 |
| image_classification/xception41.py | 图像分类Xception41 | 蔬菜分类 |
| image_classification/densenet121.py | 图像分类DenseNet121 | 蔬菜分类 |
| object_detection/faster_rcnn_r50_fpn.py | 目标检测FasterRCNN | 昆虫检测 |
| object_detection/ppyolo.py | 目标检测PPYOLO | 昆虫检测 |
| object_detection/ppyolotiny.py | 目标检测PPYOLOTiny | 昆虫检测 |
| object_detection/ppyolov2.py | 目标检测PPYOLOv2 | 昆虫检测 |
| object_detection/yolov3_darknet53.py | 目标检测YOLOv3 | 昆虫检测 |
| semantic_segmentation/deeplabv3p_resnet50_vd.py | 语义分割DeepLabV3 | 视盘分割 |
| semantic_segmentation/bisenetv2.py | 语义分割BiSeNetV2 | 视盘分割 |
| semantic_segmentation/fast_scnn.py | 语义分割FastSCNN | 视盘分割 |
| semantic_segmentation/hrnet.py | 语义分割HRNet | 视盘分割 |
| semantic_segmentation/unet.py | 语义分割UNet | 视盘分割 |
可参考API接口说明了解示例代码中的API：
- 版本要求：PaddlePaddle>=2.1.0
- 运行MaskRCNN要求PaddlePaddle>=2.1.1
- 在安装PaddleX后，使用如下命令开始训练，代码会自动下载训练数据, 并均使用单张GPU卡进行训练。
export CUDA_VISIBLE_DEVICES=0
python image_classification/mobilenetv3_small.py
- 若需使用多张GPU卡进行训练，例如使用2张卡时执行：
python -m paddle.distributed.launch --gpus 0,1 image_classification/mobilenetv3_small.py
使用多卡时，参考训练参数调整调整学习率和批量大小。
在模型训练过程，在train函数中，将use_vdl设为True，则训练过程会自动将训练日志以VisualDL的格式打点在save_dir（用户自己指定的路径）下的vdl_log目录，用户可以使用如下命令启动VisualDL服务，查看可视化指标
visualdl --logdir output/mobilenetv3_small/vdl_log --port 8001
服务启动后，使用浏览器打开 https://0.0.0.0:8001 或 https://localhost:8001
由于PaddleX代码的持续更新，版本低于2.0.0的训练脚本、API和模型暂时无法直接使用，如需使用请安装PaddleX 1.3.11版本。如果安装PaddleX 2.0.0，请使用本目录下的训练脚本。