AI大有可为:NAIE平台助力垃圾分类 (3)

AI大有可为:NAIE平台助力垃圾分类

图8 wbf效果图

4.参数效果

表2 参数设置

AI大有可为:NAIE平台助力垃圾分类

AI大有可为:NAIE平台助力垃圾分类

图9 A榜精度变化

四、NAIE平台部署使用 1.平台理解

个人理解NAIE平台主要由三部分组成,本地调试区、云端存储区、云端训练区域,对这三部分各自地功能有所了解便可以很快上手。

AI大有可为:NAIE平台助力垃圾分类

本地调试区域基于vscode,关联到一台无GPU的服务器,可以在命令行像正常linux服务器一样操作进行环境的初步部署调试。

AI大有可为:NAIE平台助力垃圾分类

云端存储区域主要保存大的数据以及预训练模型,像预训练模型这些大文件是无法直接从本地调试区传送到模型训练区域的。

模型训练区域调用GPU完成模型的训练,并将训好的参数模型copy到云端进行存储,只有存至云端的模型才可下载。
2. 模型部署

这里以mmdetection的部署为例进行介绍。

1)代码上传

代码上传通过右键选取NAIE upload,代码上传时有大小限制,大约不能超过100M,因此建议将预训练模型以及一些无关的文件删除只保留核心代码。

2)环境部署

环境部署需要在本地代码区写一个requirements.txt的文件,上面写明所需要的python库和版本号。

AI大有可为:NAIE平台助力垃圾分类

3)模型运行

平台不支持sh文件的运行,因此需要写一个py比如叫model.py ,里面使用os.system()仿照命令行进行执行。

此外在model.py中还要调用moxing 包,将训好的模型存至云端。

在模型训练区域,选中model.py 以及所需的GPU规格进行训练。

AI大有可为:NAIE平台助力垃圾分类

4)额外补充

直接通过NAIE upload是无法完成大文件上传的,因此可以在本地调试区域写一个程序比如叫debug.py, 在程序中调用wget下载文件,并通过moxing包传至云端,训练过程中可以在model.py中利用moxing包再将其传输到服务器中。

AI大有可为:NAIE平台助力垃圾分类

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zyjpwx.html