DAMODEL丹摩｜Faster-Rcnn训练与部署实战

本文仅做测评体验，非广告。

文章目录

1. 丹摩介绍
1. Faster-Rcnn介绍
1. 准备
- 1. 1 丹摩平台准备实例
1. 2 Faster-Rcnn
1. 部署开始
1. 训练
1. 资源释放
1. 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：

bash 复制代码

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

bash 复制代码

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

bash 复制代码

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

bash 复制代码

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

bash 复制代码

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

bash 复制代码

cd lvis-api
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/ --root-user-action=ignore
cd ..

安装 albumentations 依赖

bash 复制代码

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

bash 复制代码

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

bash 复制代码

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

bash 复制代码

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