ModelArts AI Gallery算法DynamicRCNN使用指导

本文档是ModelArts AI Gallery算法DynamicRCNN的详细使用方法。

本算法使用MS Coco高质量标注数据集中的trian2017数据集上训练，在val2017和test-dev2017数据集上进行测试，在test-dev2017数据集上达到了mAP=49.2的准确率。

1. 准备数据集

本算法支持的数据集格式为MS Coco数据集。MS COCO通过大量使用Amazon Mechanical Turk来收集数据， MS COCO的全称是Microsoft Common Objects in Context，起源于微软于2014年出资标注的Microsoft COCO数据集，与ImageNet竞赛一样，被视为是计算机视觉领域最受关注和最权威的比赛之一。 
        COCO数据集是一个大型的、丰富的物体检测，分割和字幕数据集。这个数据集以scene understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。图像包括91类目标，328,000影像和2,500,000个label。目前为止有语义分割的最大数据集，提供的类别有80 类，有超过33 万张图片，其中20 万张有标注，整个数据集中个体的数目超过150 万个。

1.1 下载数据集

可点击此链接下载2017 Train images、2017 val images、2017 test images和Train/Val annotations文件如下图所示：

下载好之后，需要根据算法要求整理成下述的目录结构：

如果是使用模型的训练（train）模式则：

|train.json #该文件为annotation标记文件，需要将名字更改为train.json，比如如果使用train_2017_annotations.json这个标记文件，需要将其改为train.json

|-train #该目录下存放训练图片，目录名称必须为train，该文件夹下的图片在train.json中都有相对应的图片信息和标记信息

    |xxx.jpg

    |xxx.jpg

    |....

如果是使用模型的测试（test）模式则:

|test.json #该文件为annotations标记文件，需要将名字改为test.json，要求与train.json一致

|-test #该目录下存放测试图片，目录名称必须为test，该文件夹下的图片在test.json中都有与之对应的图片信息，如果test.json中也有标记信息，则会计算预测结果的mAP评测指标。

    |xxx.jpg

    |xxx.jpg

    |....

1.2 安装OBS Browser+并上传数据集

ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。

具体操作步骤如下：
（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；

（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；

3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为blb-paper。您设置的桶名必须与此不同，如在下文的操作指导中看到blb-paper，请主动将桶名替换为您自己的桶名，下文将不再进行提示；

4)点击桶名称，进入到桶中，新建文件夹，上传自己已经整理好的训练与测试文件。

（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度

2. 订阅本算法

点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。

如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。

3. 创建训练作业

点击上图的创建训练作业、按照下表填写参数

点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成model目录，该目录下有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。

4. 模型导入

准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：

（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，可以直接从训练中选择，也可以从OBS中选择。如果是从OBS中选择，则需要选择到model目录的上一级目录；例如，本次可选择的目录为obs://blb-paper/modelartsRes/，如下图所示：

注意：选择好元模型路径后，“AI引擎”会自动填充。如未能自动填充，请检查元模型路径是否是model目录的上一级目录，或者model目录下是否包含模型配置文件config.json。

（2）点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。

5. 创建在线服务

在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果。

部署为在线服务具体步骤如下：

（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；

（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，计算节点规格选择GPU:1*T4；

3）点击“下一步”，参数确认无误后，点击“提交”。

提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传图片进行测试。

6. 创建批量服务

在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集图片进行预测，然后将预测结果输出到OBS。

部署为批量服务具体步骤如下：

（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；

（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，填写输入数据目录和输出数据目录，计算节点规格选择“GPU:1*p4”，计算节点个数设为1；

（3）点击“下一步”，参数确认无误后，点击“提交”。

提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批图片已经预测结束，预测结果是一批txt文件，保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。

7. 模型评估

参考本文第2节中的步骤，创建“训练作业”，按照下表设置训练参数：

点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成logs目录、inference目录和imgs目录，其中inference目录中是所有图片的预测结果bbox文件，imgs是所有图片的预测结果。