本文仅做测评体验,非广告。
文章目录
- 1. 丹摩介绍
- 2. Faster-Rcnn介绍
- 3. 准备
- 3. 1 丹摩平台准备实例
- 3. 2 Faster-Rcnn
- 4. 部署开始
- 5. 训练
- 5. 资源释放
- 6. 结语
1. 丹摩介绍
详细介绍请看:丹摩平台介绍。
丹摩智算平台(DAMODEL)是专为人工智能开发者打造的高性能计算服务平台,旨在提供丰富的算力资源和基础设施,助力AI应用的开发、训练和部署。
2. Faster-Rcnn介绍
Faster-Rcnn,作为两阶段目标检测模型的佼佼者,历经时间考验,依旧在检测领域占据一席之地。
Faster R-CNN的工作流程始于利用区域建议网络(RPN)自动生成候选区域,这些区域被假定为潜在的目标位置。随后,这些候选区域连同整张图像被送入深度卷积网络。在网络的前向传播过程中,它不仅提取特征,还同时完成区域的分类与边界框的精确调整。这种设计使得Faster R-CNN在保持高效率的同时,也确保了检测的准确性,因为它避免了对每个候选区域进行重复的特征提取和分类,显著提升了检测速度。
Faster R-CNN算法的三个核心步骤如下:
-
对于每张输入图像,通过RPN生成大约1000至2000个候选区域。
-
将图像送入卷积网络以获得特征图,并将候选区域映射到这些特征图上,提取相应的特征向量。
-
通过ROI池化层将每个特征向量调整为统一的7x7大小的特征图,然后通过一系列全连接层进行处理,最终输出目标的分类和定位结果。
3. 准备
3. 1 丹摩平台准备实例
丹摩平台链接
- 创建云实例
配置选择上,由于该模型的配置要求比较高,因此这里我选择比之前的费用略贵的NVIDIA-GeForce-RTX-4090。
其他配置信息保持默认就可以,当然也可以根据经济条件或需求自行拉高。
镜像选择Pytorch2.4.0。
创建密钥对
注意下载下来的密钥文件要妥善保管,接下来需要用。
选择刚刚创建的密钥对:
配置一览:
点击立即创建,等待创建完成:
创建完成如下:
3. 2 Faster-Rcnn
下载链接
4. 部署开始
- 点击右侧JupyterLab进入云实例
- 进入终端
- 上传文件
选择刚刚下载的Faster-Rcnn文件。 - 解压
执行:
unzip mmdetection-3.3.0.zip
如果解压失败,就说明还没有上传完成,还要再等一会。
解压成功后会出现这样的文件夹:
- 安装环境
安装mmcv包
pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.1/index.html -i https://mirrors.aliyun.com/pypi/simple/ --root-user-action=ignore
从源码安装mmdetection-3.3.0
cd mmdetection-3.3.0
pip install -r requirements/build.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
pip install -v -e ./ -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
安装必要包
pip install numpy==1.24.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
pip install setuptools==69.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
pip install instaboostfast -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
安装全景分割依赖panopticapi
cd panopticapi
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
cd ..
安装 LVIS 数据集依赖
cd lvis-api
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
cd ..
安装 albumentations 依赖
pip install -r requirements/albu.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
pip install mmengine -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
依次执行就可以。
安装过程均发生在云端,不会占用本地带宽和空间。
5. 训练
- 开始训练
python ./tools/train.py ./checkpoints/faster-rcnn_r50_fpn_1x_coco.py
输入该指令后,就会自动开始下载与训练的过程。
- 保存数据
python tools/test.py ./checkpoints/faster-rcnn_r50_fpn_1x_coco.py ./checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth --show-dir /root/workspace/mmdetection-3.3.0/result/
这样训练结果就会被保存在result文件夹。
- 导出数据
执行
tar -czvf result.tar.gz result/
在左侧找到压缩文件,右键下载:
然后在windows中使用压缩软件打开就可以了。
5. 资源释放
如果没有继续使用该云实例的打算,回到丹摩平台,释放资源避免产生扣费
6. 结语
在本教程中,我们不仅训练了经典经典目标检测模型Faster-Rcnn,还体验了丹摩平台的便捷性和高效性。
丹摩平台以其用户友好的界面、灵活的资源配置和即开即用的便捷性,为用户提供了一个理想的AI开发和部署环境。
谢谢你的阅读,喜欢的话来个点赞收藏评论关注吧!
我会持续更新更多优质文章