PaddleX超简单之--【常规赛：PALM病理性近视预测】第二名方案

本文介绍用PaddleX参与PALM病理性近视预测常规赛的方法。先处理数据，解压、重命名并划分训练集与测试集，再配置PaddleX环境、数据增强和数据集，用MobileNetV3_small_ssld模型训练，最后批量预测生成符合要求的CSV结果文件，可获较好成绩。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

PaddleX超简单之--【常规赛：PALM病理性近视预测】

比赛地址： https://aistudio.baidu.com/aistudio/competition/detail/85

本文采用Paddlex傻瓜式操作，一键获得常规赛第二名，仅供大家参考！

       

一、赛题介绍

1. 赛题简介

PALM病理性近视预测常规赛的重点是研究和发展与病理性近视诊断相关的算法。该常规赛的目标是评估和比较在一个常见的视网膜眼底图像数据集上检测病理性近视的自动算法。具体任务是将提供的图像分为病理性近视眼底彩照和非病理性近视眼底彩照，其中，非病理性近视眼底彩照包括正常眼底和高度近视眼底彩照。

       

2.数据简介

PALM病理性近视预测常规赛由中山大学中山眼科中心提供800张带病理性近视分类标注的眼底彩照供选手训练模型，另提供400张带标注数据供平台进行模型测试。

3. 数据说明

本次常规赛提供的病理性近视分类金标准是从临床报告中获取，不仅基于眼底彩照，还结合了OCT、视野检查等结果。

Openflow

一键极速绘图，赋能行业工作流

88 查看详情

4. 训练数据集

文件名称：Train Train文件夹里有一个fundus_image文件夹和一个Classification.xlsx文件。fundus_image文件夹中数据均为眼底彩照，分辨率为1444×1444，或2124×2056。命名形如N0001.jpg、H0001.jpg、P0001.jpg和V0001.jpg。Classification.xlsx文件中为各眼底图像是否属于病理性近视，属于为1，不属于为0。

5.测试数据集

文件名称：PALM-Testing400-Images 文件夹里包含400张眼底彩照，命名形如T0001.jpg。

6.提交内容及格式

分类结果应在一个名为“Classification_Results.csv”的CSV文件中提供，第一列对应测试眼底图像的文件名(包括扩展名“.jpg”)，对应title为FileName；第二列包含诊断为PM的患者图像的分类预测概率(值从0.0到1.0)，对应title为PM Risk。示例如下：

       

二、数据处理

1.数据初步处理

• 解压缩
• 重命名文件夹
• 删除临时文件夹

In [ ]

!unzip -qao data/data85133/常规赛：PALM病理性近视预测.zip

    In [ ]

!mv '常规赛：PALM病理性近视预测' dataset

    In [ ]

!rm __MACOSX/ -rf

   

2.划分训练集和测试集

In [ ]

# 划分训练集和测试集import pandas as pdimport random



train_excel_file = 'dataset/Train/Classification.xlsx'pd_list=pd.read_excel(train_excel_file)

pd_list_lenght=len(pd_list)# 乱序pd_list=pd_list.sample(frac=1)
offset=int(pd_list_lenght*0.9)
trian_list=pd_list[:offset]
eval_list=pd_list[offset:]
trian_list.to_csv("train_list.txt", index=None, header=None, sep=' ')
eval_list.to_csv("eval_list.txt", index=None, header=None, sep=' ')

   

三、PaddleX配置

1.paddlex安装

In [ ]

! pip install paddlex -i https://mirror.baidu.com/pypi/simple

   

2.GPU设置、包引入

In [7]

# 设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型）import matplotlib
matplotlib.use('Agg') 
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'import paddlex as pdx

   

3.数据增强配置

In [8]

from paddlex.cls import transforms
train_transforms = transforms.Compose([
    transforms.RandomCrop(crop_size=1440),
    transforms.RandomHorizontalFlip(),
    transforms.Normalize()
])
eval_transforms = transforms.Compose([
    transforms.ResizeByShort(short_size=1444),
    transforms.CenterCrop(crop_size=1440),
    transforms.Normalize()
])

   

4.数据集配置

In [9]

train_dataset = pdx.datasets.ImageNet(
    data_dir='dataset/Train/fundus_image',
    file_list='train_list.txt',
    label_list='labels.txt',
    transforms=train_transforms,
    shuffle=True)
eval_dataset = pdx.datasets.ImageNet(
    data_dir='dataset/Train/fundus_image',
    file_list='eval_list.txt',
    label_list='labels.txt',
    transforms=eval_transforms)

       

2025-05-29 23:30:44 [INFO]	Starting to read file list from dataset...
2025-05-29 23:30:44 [INFO]	720 samples in file train_list.txt
2025-05-29 23:30:44 [INFO]	Starting to read file list from dataset...
2025-05-29 23:30:44 [INFO]	80 samples in file eval_list.txt

       

四、开始训练

In [10]

model = pdx.cls.MobileNetV3_small_ssld(num_classes=2)
model.train(num_epochs=64,
            train_dataset=train_dataset,
            train_batch_size=32,
            eval_dataset=eval_dataset,
            lr_decay_epochs=[4, 6, 8],
            s*e_interval_epochs=1,
            learning_rate=0.025,
            s*e_dir='output/mobilenetv3_small_ssld',            # resume_checkpoint='output/mobilenetv3_small_ssld/epoch_18',
            use_vdl=True)

   

1.训练日志截图

       

2.vdl视图

       

五、开始预测

1.环境配置

In [21]

# 设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型）import matplotlib
matplotlib.use('Agg') 
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'import paddlex as pdx

   

2.单张图片预测

In [22]

# 单张预测测试import paddlex as pdx
model = pdx.load_model('output/mobilenetv3_small_ssld/epoch_9')
image_name = 'dataset/PALM-Testing400-Images/T0001.jpg'result = model.predict(image_name, topk=2)print("Predict Result:", result)


image_name = 'dataset/PALM-Testing400-Images/T0002.jpg'result = model.predict(image_name, topk=2)print("Predict Result:", result)

       

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/layers/math_op_patch.py:298: UserWarning: /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddlex/cv/nets/mobilenet_v3.py:231
The beh*ior of expression A * B has been unified with elementwise_mul(X, Y, axis=-1) from Paddle 2.0. If your code works well in the older versions but crashes in this version, try to use elementwise_mul(X, Y, axis=0) instead of A * B. This transitional warning will be dropped in the future.
  op_type, op_type, EXPRESSION_MAP[method_name]))

       

2025-05-30 00:01:55 [INFO]	Model[MobileNetV3_small_ssld] loaded.
Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9999714}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 2.862251e-05}]
Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9999293}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 7.070572e-05}]

       

3.预测数据集生成

In [23]

# 预测数据集val_listval_list=[]for i in range(1,401,1):# for i in range(1,201,1):
    filename='T'+ str(i).zfill(4)+'.jpg'
    # print(filename)
    val_list.append(filename+'\n')with open('val_list.txt','w') as f:
    f.writelines(val_list)
    
val_list=[]with open('val_list.txt', 'r') as f:    for line in f:
        line='dataset/PALM-Testing400-Images/'+line
        val_list.append(line.split('\n')[0])        # print(line.split('\n')[0])# print(val_list)

    In [24]

print(len(val_list))

       

400

       

4.批量预测

In [25]

import paddlex as pdx

result_list=[]
model = pdx.load_model('output/mobilenetv3_small_ssld/best_model')for image_name in val_list:
    result = model.predict(image_name, topk=2)
    result_list.append(result)    print("Predict Result:", result)

   

训练日志

Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9957604}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.004239624}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9999951}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 4.892705e-06}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.99935}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.00064998}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.99942756}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.00057246856}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9437856}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.056214407}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9995437}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.0004562317}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9999137}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 8.6307664e-05}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9968087}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.0031912646}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.99964285}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.00035708834}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9999894}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 1.0667162e-05}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9979461}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.0020539667}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9986249}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.0013751077}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.99954623}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.00045376387}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.99998736}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 1.25998295e-05}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.99992466}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 7.5295e-05}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9999976}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 2.329274e-06}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.99314296}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.0068570557}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.99992156}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 7.8419114e-05}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.99983764}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.00016234258}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9999995}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 5.2132276e-07}]Predict Result: [{'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 0.9907357}, {'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.0092642745}]Predict Result: [{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9999937}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 6.3574516e-06}]

   

5.结果检查

In [26]

item = result_list[0]print(item)print(item[0]['category_id'],item[0]['score'])print(item[1]['category_id'],item[1]['score'])

       

[{'category_id': 1, 'category': '病理性近视眼底彩照', 'score': 0.9999862}, {'category_id': 0, 'category': '非病理性近视眼底彩照', 'score': 1.3863657e-05}]
1 0.9999862
0 1.3863657e-05

       

六、结果提交

1.构造pandas dataframe

In [27]

# 结果列pd_B=[]for item in result_list:    # print(item)
    if item[0]['category_id']==1:
        pd_B.append(item[0]['score'])    else:
        pd_B.append(item[1]['score'])

    In [28]

# 文件名列pd_A=[]with open('val_list.txt', 'r') as f:    for line in f:
        pd_A.append(line.split('\n')[0])        # print(line.split('\n')[0])

    In [29]

# 构造pandas的DataFrameimport pandas as pd
df= pd.DataFrame({'FileName': pd_A, 'PM Risk':pd_B})

   

2.保存数据到csv文件

In [30]

# 保存为提交文件df.to_csv("Classification_Results.csv", index=None)

   

3.打压缩包下载提交

In [ ]

!zip -q Classification_Results.zip Classification_Results.csv

   

以上就是PaddleX超简单之--【常规赛：PALM病理性近视预测】第二名方案的详细内容，更多请关注其它相关文章！

# 中山大学  # 黄山seo网站优化软件  # 华为推广营销策划书  # 出口红酒营销推广  # 搜索类网站怎么优化  # 嘉定网站建设哪里便宜  # 晋中响应式网站建设  # 龙华网站建设工作流程  # 潍坊景区推广网站  # 关键词排名查询步骤图表  # 营销推广售后服务方案  # 工作流  # 文件夹里  # 形如  # python  # 重命名  # 如无  # 官网  # 一键  # 一言  # 中文网  # type  # udio  # red  # cos  # csv文件  # macos  # ai 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： 了解 AGI：智能的未来？  大型无人机FH-98国内首次夜航转场成功  联想浏览器引入小乐 AI 助手，成功接入百度文心一言大模型，经过实测证实  普林斯顿大学推出 Infinigen AI 模型，生成真实自然环境 3D 场景  AI连线 | 专访风平智能CEO林洪祥：让AI数字人拥有漂亮的外表和有趣的灵魂，安全问题是重要考量  GPT-4最全攻略来袭！OpenAI官方发布，六个月攒下来的使用经验都在里面了  构建AI绘画网站的方法：使用API接口和调用步骤  微软更新服务协议，以防止通过AI服务进行逆向工程和数据抓取  有 ARM 和 X86 两个版本，香橙派游戏掌机细节曝光  报道称亚马逊正在测试AI生成产品评价摘要  映宇宙集团执行总编辑：元宇宙还是要以人为媒介  Prompt解锁语音语言模型生成能力，SpeechGen实现语音翻译、修补多项任务  生成式AI爆发，亚马逊云科技持续专注创新，助力企业数字化转型  英伟达CEO宣称生成式AI已迎来“划时代时刻”  杭州举办第19届亚运会，主题为「亚运元宇宙」的发布仪式举行  挤爆服务器，北大法律大模型ChatLaw火了：直接告诉你张三怎么判  WPS AI 官网上线：可申请体验官资格，支持 Windows、安卓端下载  美的推出 AI 双视精准避障的自动集尘扫拖机器人 V12，售价仅为2999元  AI大模型紫东太初已被注册商标 中科院已注册紫东太初大模型商标  选对AI智能写作软件，让创作游刃有余！  成功孵化首个大型模型解决方案的重庆人工智能创新中心  图灵奖得主Hinton：我已经老了，如何控制比人类更聪明的AI交给你们了  “智能体动作生成技术”现身WAIC：游戏AI技术为机器人科创注入新动力  国宝级文物“铜兽驮跪坐人顶尊铜像”完成模拟拼接，腾讯AI立功  利好来了，AI再起一波？  亚马逊CEO：人工智能将成为公司未来战略的重中之重  扎克·施奈德新片《月球叛军》曝剧照 机器人首度现身  2025WRC世界机器人大赛锦标赛（烟台）收官！斯坦星球勇夺VEX赛项冠亚军！  跑不动的元宇宙，虚拟世界比现实更冷酷  Snap宣布研发出新技术 可大幅提升AI生成图像速度  脑机接口产业联盟发布十大脑机接口关键技术  软银、淡马锡、沙特阿美突击入股，“协作机器人第一股”节卡股份：强敌环伺，持续失血是常态  AI创作广告文案等同2.47年工作经验，且消费者无法区分｜AI营销前沿  人工智能如何帮助制造业？  DeepMind推惊世排序算法，C++库忙更新！  人脸识别+全景双摄+AI算法 萤石推动智能锁行业革新  DreamAvatar数字人使用教程  解决导航“最后50米”难题 高德地图升级AR步行导航找终点功能  如何用AI开创智慧能源新时代？固德威正让能源“通人性”！  基于预训练模型的金融事件分析及应用  重磅！ 捷通华声灵云AICC荣获第二届光合组织AI解决方案大赛二等奖  常见的五个人工智能误解  6月14日《星空下的对话》 张朝阳陆川将畅聊人生、电影、心理学与AI  三星加速AR眼镜进程，预计明年上半年亮相  日本学校探索引入 AI 和无人机：提高安保效率，节省劳动力  小艺将具备大模型能力，鸿蒙4加速AI普及之路  携程发布旅游行业垂直大模型 梁建章：AI策略是做可靠的内容 放心的推荐  能走、能飞、能游泳，科学家打造全能 M4 机器人  一图速览 | 十大脑机接口关键技术发布  小米创始人雷军将揭示小米AI在年度演讲中的最新进展