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。

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2124124×2056。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],
            save_interval_epochs=1,
            learning_rate=0.025,
            save_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 behavior 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

# 如无  # 中山  # 较好  # 是从  # 均为  # 仅供  # 文件夹里  # 形如  # 中山大学  # 重命名  # python  # palm  # https  # 算法  # pandas  # red  # cos  # csv文件  # macos  # ai 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 网络优化91478 】 【 技术知识72672 】 【 云计算0 】 【 GEO优化84317 】 【 优选文章0 】 【 营销推广36048 】 【 网络运营41350 】 【 案例网站102563 】 【 AI智能45237 】

相关推荐： 如何使用 Gemini 进行 Google Cloud 架构成本预估  ChatGPT怎么用一键生成读书笔记_ChatGPT笔记生成教程【攻略】  Gemini怎样写描述型提示词_Gemini描述提示词编写【攻略】  电脑硬件升级指南：旧电脑的回收利用与性能提升  Canva AI 辅助 KDP 封面设计：轻松创建畅销书笔记本  Pictory AI视频制作平台深度评测：功能、价格与使用指南  消除噪音，提升音质：Audo.ai终极指南  通义千问怎样优化提示词更口语化_通义千问口语化技巧【教程】  手相解析：生命线的形状与意义详解，预示健康、财富和命运  如何用AI帮你把小说改编成电影剧本？3步掌握核心技巧  OpenAI Sora 2：AI视频生成新纪元  ChatGPT新手指南：大学生如何高效利用AI工具？  如何通过 DeepSeek 进行深度神经网络超参数搜索  深入解析音视频转录：全面指南与实践技巧  智谱AI智能绘图怎么用_智谱AI智能绘图使用方法详细指南【教程】  谷歌 Gemini AI 助手详解：功能、应用与隐私设置  kimi如何导出对话_导出对话内容方法【攻略】  定价3499炒到1.2万，豆包AI手机遭“封杀”，变革之路何去何从？  利用AI快速生成数组和枚举：详细指南与实用技巧  构建卓越的AI驱动测试自动化框架：QA工程师指南  TRX40主板终极对决：3990X散热性能深度评测  如何用AI帮你制定个人OKR？目标管理从未如此简单  AI交易机器人：TradingView上无需代码即可构建AI交易机器人指南  DeepSeek 辅助进行硬件描述语言 Verilog 调试  百度AI搜索能否查实时新闻_百度AI搜索新闻频道与更新频率【方法】  AI赋能QA：测试管理的未来趋势与实践  揭秘颜值真相：社交实验的背后，你是几分？  生成式AI革新客户服务：提升效率与个性化体验  Artist.ly AI Image Designer: 终极指南  如何配置 DeepSeek 以支持企业级私有化部署  AI音乐创作：颠覆传统，开启音乐新纪元  ClickUp AI Agents：项目管理的革命性突破  ChatGPT打造AI助手：10倍提升效率，掌控你的生活  AI驱动法律文件分类：效率提升与战略决策的新纪元  LeetCode问题解析：移除回文子序列，掌握字符串技巧  AI在销售CRM软件中的角色：提升效率和客户互动  Foocus：免费AI图像生成器终极指南及 OnlyFans 替代方案  探索弦乐器世界：从吉他到卡曼切，乐器全解析  音乐天赋自测：你天生拥有绝对音感吗？15个问题揭晓  AI海报设计终极指南：用ChatGPT和ImageFX轻松创建专业级海报  文本分类：生成模型与朴素贝叶斯算法的全面指南  即梦ai怎么生成游戏角色原画_即梦ai游戏角色生成风格与装备细节【教程】  宝可梦朱紫：如何高效刷闪异色宝可梦，提升游戏体验  教你用AI将长视频内容切片，并自动生成短视频文案  ChatGPT 提示词工程：结构化指令编写指南  AI PPT生成工具有哪些_一键生成演示文稿的AI工具推荐  百度AI搜索怎样设置搜索偏好_百度AI搜索偏好设置与个性化推荐【技巧】  System of a Down：深度剖析《Hypnotize》歌词  斑马AI怎样设置专注模式_斑马AI专注时段与干扰屏蔽【指南】  千问能否生成多语言年终总结_千问多语言翻译与本地化调整【攻略】 

 2025-07-31