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:

  1. 对于每张输入图像,通过RPN生成大约1000至2000个候选区域。

  2. 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。

  3. 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

  1. 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

  1. 点击右侧JupyterLab进入云实例
  2. 进入终端
  3. 上传文件

    选择刚刚下载的Faster-Rcnn文件。
  4. 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:

  1. 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

  1. 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。

  1. 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。

  1. 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

相关推荐
搞科研的小刘选手20 分钟前
【早稻田大学主办】2026年第三届人工智能与未来教育国际学术会议(AIFE 2026)
人工智能·机器学习·数据挖掘·机器人·未来教育·远程教育·移动学习
数据与人工智能律师29 分钟前
解码Web3:DeFi、GameFi、SocialFi的法律风险警示与合规路径
大数据·网络·人工智能·云计算·区块链
Best_Me0730 分钟前
理解AUROC,AP,F1-scroe,PRO
人工智能·机器学习
IT_陈寒32 分钟前
React 性能优化:5个实战技巧让首屏加载提升50%,开发者亲测有效!
前端·人工智能·后端
久未38 分钟前
Pytorch autoload机制自动加载树外扩展(Autoload Device Extension)
人工智能·pytorch·python
Apifox.40 分钟前
如何在 Apifox 中通过 AI 一键生成几十个测试用例?
人工智能·程序人生·ai·测试用例·ai编程
Learn Beyond Limits1 小时前
TensorFlow Implementation of Content-Based Filtering|基于内容过滤的TensorFlow实现
人工智能·python·深度学习·机器学习·ai·tensorflow·吴恩达
是Yu欸1 小时前
【AI视频】从单模型,到AI Agent工作流
人工智能·ai·ai作画·aigc·音视频·实时音视频
AI人工智能+1 小时前
发票识别技术:结合OCR与AI技术,实现纸质票据高效数字化,推动企业智能化转型
人工智能·nlp·ocr·发票识别
用户5191495848451 小时前
Aniyomi扩展开发指南与Google Drive集成方案
人工智能·aigc