星空·综合体育官网入口请查收！“全国大学生智能汽车竞赛”线上赛备赛指南

时间：2025-08-06 编辑：admin 浏览：22

“全国大学生智能汽车竞赛”由教育部积极倡导星空体育平台官网入口，属于大学生科技A类竞赛，中国高等教育学会亦将其认定为含金量极高的竞赛之一。截至目前，该赛事已成功举办了十八届。每年，它都会吸引包括清华大学、上海交通大学、复旦大学、北京航空航天大学等在内的500多所高校的参与，以及超过10万名大学生的踊跃报名。这不仅是一项旨在提升学生创新实践能力的竞赛星空·体育中国官方网，也是培养团队精神的国家级创意性科技活动。

作为竞赛中深入运用人工智能技术的竞速组别，完全模型组引入了众多人工智能元素和技术，因而备受学生及高校教师群体的青睐。

为了帮助大家在线上竞赛的参与和实践中，丰富深度学习领域的经验及掌握科学的分析方法，我们精心策划了系列培训直播课程和入门指导教程，内容丰富实用。

线上赛培训，本周六见！

河池学院飞桨领航团团长黄德攒，除了直播课程，还为大家详细整理了深度学习初学者实践操作及线上赛事排名的步骤，赶紧来一睹为快吧。

深度学习入门实践6步走，暨线上赛打榜流程

第一步：环境配置

并切换到develop分支。

推荐您使用develop分支，在某些特定情况下，您可能还需借助release2.3.2及以前版本的分支。

第二步：安装依赖

# 安装PaddleDetection
%cd PaddleDetection
执行以下命令进行安装：pip install -r requirements.txt。
# 编译安装paddledet
!python setup.py install
%cd ~

第三步：数据准备

# 解压数据集
执行解压操作，不询问确认，直接对位于/home/aistudio/data/data257994/目录下的Car2024.zip文件进行解压。

TrainDataset:
  name: COCODataSet
图像数据文件夹的名称：Images
anno_path指示的是训练集的标签文件，名为train.json，通常情况下，该文件在数据集文件夹的顶层目录中被生成。
数据集存放路径为：/home/aistudio/work/data3374。
data_fields列包含以下元素：图像信息、目标边界框、目标类别、是否为人群。
EvalDataset:
名称：COCO数据集集，#其解释如前所述
  image_dir: Images
  anno_path: val.json
数据集存放路径位于：/home/aistudio/work/data3374。
  allow_empty: true
TestDataset:
  name: ImageFolder
  anno_path: val.json                                 
  dataset_dir: /home/aistudio/work/data3374

相关学习文档

请访问paddledetection.readthedocs.io的tutorials部分，特别是Custom_DataSet页面，以获取有关如何自定义数据集的详细教程信息。

第四步：参数调整与模型训练

# 模型训练
%cd ~
%cd PaddleDetection
执行命令：python tools/train.py，配置文件为configs/picodet/picodet_m_320_coco_lcnet.yml，启动训练过程。

在picodet_m_320_coco_lcnet.yml文件中，不同的超参数设置可能会导致模型的结构、准确度以及最终效果出现差异。

_BASE_: [
指定路径为'../datasets/coco_Car2024.yml'，
  '../runtime.yml',
请勿对“_base_/picodet_v2.yml”文件进行修改。
请勿对文件“_base_/optimizer_300e.yml”进行修改。
请勿修改该文件：'base_/picodet_320_reader.yml'。
]
# 模型权重路径，模型保存的地方哦
权重文件：位于output/picodet_m_320_coco目录下的最佳模型文件
# 在反向传播时查找未使用的参数以提高内存利用率
find_unused_parameters: True
# 是否使用指数移动平均来稳定模型的训练
use_ema: true
# 总训练轮数
调整训练周期至300次，此举或许能提升模型的表现，然而也可能引发过拟合问题，并且会延长训练所需的时间。
# 每隔多少个epoch保存一次模型的快照
快照时间点设置为10，这样做或许能降低存储成本，然而却可能延长训练所需的时间。
# 训练时的读取器配置
TrainReader:
批量大小设置为48，这一调整或许能提升训练效率，然而也可能引发GPU内存短缺的问题。
# 学习率相关配置
LearningRate:
  # 基础学习率
基础学习率设置为0.24，这一调整有可能促进模型更快地收敛，然而，同时也存在引发模型发散的风险。
  # 学习率调度策略
  schedulers:
    - !CosineDecay
设置最大训练轮数为300次，采用余弦退火策略，学习率在此过程中逐步调整。
    - !LinearWarmup
预热学习率的起始设定值为0.1。
      steps: 300  # 预热所需的步数

python tools/train.py    
执行命令，加载配置文件位于configs/picodet/picodet_m_320_coco_lcnet.yml，并执行评估操作。
将输出结果保存至路径/output/picodet_m_320_coco/下的最佳模型文件。

在训练过程中进行测试、运用预训练模型的微调技术以及采取其他多种策略，详情请参阅相关资料。

请访问PaddleDetection的官方文档，详细了解如何开始使用，具体教程请参考：https://paddledetection.readthedocs.io/tutorials/GETTING_STARTED_cn.html。

第五步：模型测试

%cd ~
%cd PaddleDetection
请修改"--infer_img"参数所指的图片路径，以便对不同的图片进行预测。
运行命令：python tools/infer.py，配置文件为configs/picodet/picodet_m_320_coco_lcnet.yml，执行参数：-c。
禁止对指定路径下的图像文件进行修改，路径为：/home/aistudio/Car2024/images/crosswalk74.jpg。
                    --output_dir=infer_output/ 
                    --draw_threshold=0.5 
设置权重文件为位于/home/aistudio/PaddleDetection/output/picodet_m_320_coco_lcnet/目录下的最新模型权重文件.pdparams，并启用可视化调试模式。

第六步：模型导出与提交

%cd ~
%cd PaddleDetection
将"-o weights"参数中的模型路径替换为你已训练完成的模型所在的位置。
运行命令：python tools/export_model.py，配置文件为configs/picodet/picodet_m_320_coco_lcnet.yml，执行导出模型操作。
禁止使用以下路径的权重文件：/home/aistudio/PaddleDetection/output/picodet_m_320_coco_lcnet/best_model，同时确保TestReader在测试过程中启用fuse_normalize功能。

飞思卡尔智能车大赛官网_人工智能模型组_全国大学生智能汽车竞赛