前言

學會如何安裝配置華為云ModelArts、開發(fā)板Atlas 200I DK A2，
并打通一個訓練到推理的全流程思路。

在本篇章，我們首先開始訓練階段！

訓練階段

A. 環(huán)境搭建

MindSpore 華為云 模型訓練

Step1 創(chuàng)建OBS并行文件

1. 登錄華為云 -> 控制臺 -> 左側(cè)導航欄選擇“對象存儲服務(wù) OBS” ->
   在左側(cè)導航欄選擇“桶列表” -> 單擊右上角“創(chuàng)建桶”
   如下圖所示：
   
2. 在左側(cè)列表中的“并行文件系統(tǒng)” -> 單擊右上角“創(chuàng)建并行文件系統(tǒng)”。
   如下圖所示：
   
   進行以下配置：
   

主要參數(shù)信息如下，其余配置請保持默認配置
區(qū)域 ：選擇“ 華北-北京四 ”
文件系統(tǒng)名稱：自定義，本例使用modelarts0009
（請使用modelarts作為文件系統(tǒng)前綴，注意名稱為全局唯一）
數(shù)據(jù)冗余存儲策略 ：選擇“ 單AZ存儲 ”
策略 ：選擇“ 私有 ”

Step2 上傳數(shù)據(jù)文件至OBS并行文件系統(tǒng)

1. 點擊已創(chuàng)建的并行文件系統(tǒng) -> 點擊“新建文件夾”
   輸入文件夾的名稱，這里命名為input
   
2. 進入該文件夾中 -> 點擊“上傳文件”：
   將準備好的項目工程文件壓縮包上傳至該OBS中。

Step3 基于ModelArts創(chuàng)建Notebook編程環(huán)境

1. 在“全局配置”頁面查看是否已經(jīng)配置授權(quán)，允許ModelArts訪問OBS：
   登錄華為云 -> 控制臺 -> 左側(cè)導航欄選擇“ModelArts” -> 在左側(cè)導航欄選擇“全局配置” -> 單擊“添加授權(quán)”
   首次使用ModelArts：直接選擇“新增委托”中的“普通用戶”權(quán)限
   

2. 登錄華為云 -> 控制臺 -> 左側(cè)導航欄選擇“ModelArts” -> 在左側(cè)導航欄選擇“開發(fā)環(huán)境”-> “Notebook” -> 點擊“創(chuàng)建”
   進行以下配置：

主要參數(shù)信息如下，其余配置請保持默認配置
名稱：自定義，本例使用notebook-test
自動停止：自行選擇，本例選擇4小時
鏡像 ：選擇“公共鏡像”，并選擇“ mindspore_1.10.0-cann_6.0.1-py_3.7-euler_2.8.3 ”
資源類型：選擇“公共資源池”
磁盤規(guī)格 ：使用 50 GB

Step4 為Notebook編程環(huán)境添加訓練階段項目工程文件

1. 點擊已創(chuàng)建的Notebook -> “存儲配置” -> “添加數(shù)據(jù)存儲”
   進行以下配置：
   

本地掛載目錄 ：自定義創(chuàng)建本地掛載目錄，本例使用 /data/input
存儲位置 ：選擇所創(chuàng)建的并行文件系統(tǒng)（本例選擇已創(chuàng)建的 moderarts0009 ），以及數(shù)據(jù)集所在的目錄 input

1. 返回Notebook界面 -> 點擊“打開”notebook-test ->
   打開“ Terminal ”命令行終端界面 ->
   執(zhí)行以下命令，創(chuàng)建用于測試的test文件
   touch /data/input/test
   再執(zhí)行以下命令，可以看到你剛創(chuàng)建的test文件&先前上傳的文件
   ls /data/input

2. 上傳
   這里選擇 OBS文件上傳 ，
   因為這里 本地上傳 限制為100M文件。
   

3. 解壓
   打開“ Terminal ”命令行終端界面 ->
   執(zhí)行以下命令，查看是否在正確的路徑下
   pwd
ls -l
   執(zhí)行以下命令，解壓項目工程文件壓縮包
   （這里以工業(yè)質(zhì)檢Unet為例，具體代碼可參考文末 學習資源推薦 ）
   unzip unet.zip
unzip unet_sdk.zip

• 訓練階段 工程 目錄結(jié)構(gòu) 如下:

  ├──unet
  	├──data                            // 預處理后的數(shù)據(jù)集文件夾
  	├──raw_data                        // 原始數(shù)據(jù)集
      ├──out_model                       // 模型導出保存文件夾
      ├──pred_visualization              // 可視化圖片保存文件夾（需要自己創(chuàng)建）
      ├──src                             // 功能函數(shù)
      │   ├──unet_medical                   // U-Net網(wǎng)絡(luò)
      │   ├──unet_nested                    // U-Net++網(wǎng)絡(luò)
      │   ├──config.py                      // 配置文件
      │   ├──data_loader.py                 // 數(shù)據(jù)加載
      │   ├──eval_callback.py               // 訓練時評估回調(diào)
      │   ├──loss.py                        // 損失函數(shù)
      │   ├──utils.py                       // 工具類函數(shù)
      ├──draw_result_folder.py           // 文件夾圖片可視化
      ├──draw_result_single.py           // 單張圖片可視化
      ├──eval.py                         // 模型驗證
      ├──export.py                       // 模型導出，ckpt轉(zhuǎn)air/mindir/onnx
      ├──postprocess.py                  // 后處理
      ├──preprocess.py                   // 前處理
      ├──preprocess_dataset.py           // 數(shù)據(jù)集預處理
      ├──train.py                        // 模型訓練
      ├──requirements.txt
  

• 模型轉(zhuǎn)換 工程 目錄結(jié)構(gòu) 如下:

  ├── unet_sdk
      ├── model
      │   ├──air2om.sh                     // air模型轉(zhuǎn)om腳本
      │   ├──xxx.air                       //訓練階段導出的air模型
      │   ├──aipp_unet_simple_opencv.cfg   // aipp文件
  

注：
接下來就可以開始旅程，進入訓練階段。

若中途暫停實驗，記得做停止資源操作，消耗最少費用；
若返回繼續(xù)實驗，再次啟動Notebook編程環(huán)境；
若完成了本實驗，最后是釋放資源操作，為了停止計費。

一. 配置文件參數(shù)和數(shù)據(jù)預處理

MindSpore 數(shù)據(jù)集預處理preprocess_dataset.py文件需調(diào)用如下腳本:

文件參數(shù)腳本src/config.py文件。

文件參數(shù)腳本為src/config.py，包括
unet_medical，
unet_nested，
unet_nested_cell，
unet_simple，
unet_simple_coco
共5種配置，表示模型與數(shù)據(jù)集之間的組合。
包含超參數(shù)、數(shù)據(jù)集路徑等文件參數(shù)

Step 運行腳本

1. 新建NoteBook中：查看是否在工程目錄unet/路徑下
   !pwd

2. 進入NoteBook中：運行示例
   !python3 preprocess_dataset.py --data_url=./data/
   其中--data_url：數(shù)據(jù)集預處理后的保存路徑。

• 預計數(shù)據(jù)集預處理所需時間約為10分鐘。
  預處理完的數(shù)據(jù)集會保存在/unet/data/文件夾下。
  輸出結(jié)果：
  

二. 模型訓練

MindSpore模型訓練 需調(diào)用如下腳本:

preprocess_dataset.py:將類coco數(shù)據(jù)集 轉(zhuǎn)化成 模型訓練需要數(shù)據(jù)格式。
src/unet_xxx/:存放 unet/unet++ 模型結(jié)構(gòu)。
src/data_loader.py:存放 數(shù)據(jù)加載功能函數(shù)。
src/eval_callback:存放 cb 函數(shù)，用于訓練過程中進行eval.
src/utils.py: mindspore 自定義 cb 函數(shù)，自定義 metrics 函數(shù)。
train.py

Step 運行腳本

1. 進入NoteBook中：運行示例
   !python train.py --data_url=./data/ --run_eval=True
   其中--data_url： 數(shù)據(jù)集輸入路徑。
   其中--run_eval: True 表示訓練過程中同時進行驗證。

• 預計模型訓練所需時間約為36分鐘。
  輸出結(jié)果：
  
  

三. 模型推理

MindSpore模型推理 需調(diào)用如下腳本:

src/unet_xxx/：存放unet/unet++模型結(jié)構(gòu)。
src/data_loader.py：存放數(shù)據(jù)預處理，數(shù)據(jù)加載功能函數(shù)。
src/utils.py：mindspore自定義cb函數(shù)，自定義metrics函數(shù)。
eval.py

Step 運行腳本

1. 進入NoteBook中：運行示例
   !python eval.py --data_url=./data/ --ckpt_path=./ckpt_0/best.ckpt
   其中--data_url：數(shù)據(jù)集輸入路徑。
   其中--ckpt_path：ckpt 讀取路徑

• 預計模型推理所需時間約為2分鐘。
  輸出結(jié)果：
  
  
  注：
  IOU（Intersection over Union）是一個度量函數(shù)，
  用來描述兩個物體邊界框的重疊程度（取值范圍為[0,1]），
  重疊的區(qū)域越大，IOU值就越大。

四. 結(jié)果可視化

可以通過畫圖的方式將圖像的結(jié)果可視化，方便查看。
可視化方法有兩種。

方法一 單張圖片可視化

draw_result_single.py： 單張圖片可視化 ，
輸出單張圖片的裁剪畫圖結(jié)果crop_plot.png和模型預測的結(jié)果predict_plot.png。

Step 運行腳本

1. 查看工程目錄unet/路徑下
   確保已經(jīng)事先創(chuàng)建好
   可視化圖片保存文件 pred_visualization文件夾

2. 進入NoteBook中：運行示例
   !python draw_result_single.py --data_url=./data/SW1hZ2VfMjAyMTA3MjcxNTEzMzYzNzk --save_url=./pred_visualization --ckpt_path=./ckpt_0/best.ckpt
   其中--data_url：數(shù)據(jù)集輸入路徑（到單張圖像）。
   其中--save_url：輸出圖像保存路徑。
   其中--ckpt_path：ckpt讀取路徑。

• 單張圖片可視化所需時間約為1分鐘。
  可視化完的圖片會保存在/unet/pred_visualization文件夾下。
  輸出結(jié)果：
  
  
  

方法二 文件夾圖片可視化

draw_result_folder.py： 文件夾圖片可視化 ，
輸出文件夾內(nèi)圖片的模型預測結(jié)果predict.png。

Step 運行腳本

1. 查看工程目錄unet/路徑下
   確保已經(jīng)事先創(chuàng)建好
   可視化圖片保存文件 pred_visualization文件夾

2. 進入NoteBook中：運行示例
   !python draw_result_folder.py --data_url=./data/ --save_url=./pred_visualization --ckpt_path=./ckpt_0/best.ckpt
   其中--data_url：數(shù)據(jù)集輸入路徑（到圖像文件夾）。
   其中--save_url：輸出圖像保存路徑。
   其中--ckpt_path：ckpt讀取路徑。

• 文件夾圖片可視化所需時間約為10分鐘。
  可視化完的圖片會保存在/unet/pred_visualization文件夾下。
  輸出結(jié)果：
  

五. 模型保存

如果想在昇騰AI處理器上執(zhí)行推理，
可以通過網(wǎng)絡(luò)定義和CheckPoint生成AIR格式模型文件。

Step 運行腳本

1. 進入NoteBook中：運行示例
   !python export.py --ckpt_file="./ckpt_0/best.ckpt" --width=960 --height=960 --file_name="out_model/unet_hw960_bs1" --file_format="AIR"
   其中–-ckpt_file： ckpt路徑。
   其中--width： 模型輸入尺寸。
   其中--height： 模型輸入尺寸。
   其中--file_name： 輸出文件名。
   其中--file_format： 輸出格式，必須為[“ONNX”, “AIR”, “MINDIR”]。

• 模型保存即導出模型的輸出結(jié)果在out_model/unet_hw960_bs1.air
  最后將導出的模型下載至本地，供后續(xù)推理階段實驗使用：
  右鍵 -> Download
  

六. 模型轉(zhuǎn)換

此處模型轉(zhuǎn)換需要用到ATC工具。
詳細內(nèi)容&錯誤碼請參考 昇騰官網(wǎng)文檔-使用ATC工具轉(zhuǎn)換模型

Step1 上傳air模型

• 將訓練階段實驗模型保存的 air模型 上傳至華為云ModelArts的unet_sdk/model/目錄下

這里因為模型中有optype[ArgMaxD]，因此需要在Ascend910系列芯片上執(zhí)行模型轉(zhuǎn)換才能成功。
（此次華為云ModelArts使用的正是Ascend910A）
而一般情況，模型訓練完進行的模型轉(zhuǎn)換是可以選擇在開發(fā)者套件(Ascend310系列芯片)和Ubuntu系統(tǒng)中執(zhí)行的。
（具體方法請參考 昇騰官網(wǎng)文檔-轉(zhuǎn)換模型 ）

Step2 模型轉(zhuǎn)換命令

• 打開unet_sdk/model/air2om.sh文件
  使用atc命令如下，可根據(jù)實際開發(fā)情況進行修改。

atc --framework=1 --model=unet_hw960_bs1.air --output=unet_hw960_bs1 --input_format=NCHW --soc_version=Ascend910A --log=error --insert_op_conf=aipp_unet_simple_opencv.cfg

本實驗將 訓練階段 實驗 模型保存 的 air模型 轉(zhuǎn)為昇騰Al處理器支持的 om格式離線模型
注意：air 模型轉(zhuǎn) om 只支持靜態(tài) batch，這里 batchsize=1。
其中--framework：原始框架類型。
其中--model：原始模型文件路徑與文件名。
其中--output：轉(zhuǎn)換后的離線模型的路徑以及文件名。
其中--input_format：輸入數(shù)據(jù)格式。
其中--soc_version：模型轉(zhuǎn)換時指定芯片版本。
（ 這句話指的是當前執(zhí)行模型轉(zhuǎn)換時候所在機器的芯片版本 ，可通過命令行終端輸入 npu-smi info 查看）
其中--log：顯示日志的級別。
其中--insert_op_conf：插入算子的配置文件路徑與文件名，這里使用AIPP預處理配置文件，用于圖像數(shù)據(jù)預處理。

Step3 運行腳本

1. 確保在工程目錄unet_sdk/model/路徑下，首先查看文件權(quán)限
   ls -l
   （如果文件權(quán)限列中沒有x，你才需要繼續(xù)下一命令賦予它執(zhí)行權(quán)限）
   輸入
   chmod +x air2om.sh

2. 運行示例
   輸入
   ./air2om.sh

• 輸出結(jié)果：
  

注：
到此我們在華為云上使用MindSpore的訓練階段實驗就結(jié)束了。
有了導出的air模型及其模型轉(zhuǎn)換出的om模型，我們就可以繼續(xù)進入下一篇章： AscendCL推理階段 。

結(jié)束后記得 及時關(guān)閉云上環(huán)境 ，避免資源浪費和產(chǎn)生額外的費用�。�！

學習資源推薦

• 昇思官網(wǎng)教程1.9：模型訓練
• GitHub：mindspore-ai / models