Sullivan-Hua

导航

【昇腾开发全流程】MindSpore华为云模型训练

前言

学会如何安装配置华为云ModelArts、开发板Atlas 200I DK A2。
并打通一个Ascend910训练到Ascend310推理的全流程思路。

在本篇章，我们首先开始训练阶段！

训练阶段

A. 环境搭建

MindSpore 华为云 模型训练

Step1 创建OBS并行文件

  1. 登录华为云 -> 控制台 -> 左侧导航栏选择“对象存储服务 OBS” ->
    在左侧导航栏选择“桶列表” -> 单击右上角“创建桶”
    如下图所示：
  2. 在左侧列表中的“并行文件系统” -> 单击右上角“创建并行文件系统”。
    如下图所示：

    进行以下配置：
    image

    主要参数信息如下，其余配置请保持默认配置
    区域：选择“华北-北京四”
    文件系统名称：自定义，本例使用modelarts0009
    （请使用modelarts作为文件系统前缀，注意名称为全局唯一）
    数据冗余存储策略：选择“单AZ存储”
    策略：选择“私有”

Step2 上传数据文件至OBS并行文件系统

  1. 点击已创建的并行文件系统 -> 点击“新建文件夹”
    输入文件夹的名称，这里命名为input
    image
  2. 进入该文件夹中 -> 点击“上传文件”：
    将准备好的项目工程文件压缩包上传至该OBS中。

Step3 基于ModelArts创建Notebook编程环境

  1. 在“全局配置”页面查看是否已经配置授权，允许ModelArts访问OBS：
    登录华为云 -> 控制台 -> 左侧导航栏选择“ModelArts” -> 在左侧导航栏选择“全局配置” -> 单击“添加授权”
    首次使用ModelArts：直接选择“新增委托”中的“普通用户”权限

  2. 登录华为云 -> 控制台 -> 左侧导航栏选择“ModelArts” -> 在左侧导航栏选择“开发环境”-> “Notebook” -> 点击“创建”
    进行以下配置：

    主要参数信息如下，其余配置请保持默认配置
    名称：自定义，本例使用notebook-test
    自动停止：自行选择，本例选择4小时
    镜像：选择“公共镜像”，并选择“mindspore_1.10.0-cann_6.0.1-py_3.7-euler_2.8.3”
    资源类型：选择“公共资源池”
    磁盘规格：使用50GB

Step4 为Notebook编程环境添加训练阶段项目工程文件

  1. 点击已创建的Notebook -> “存储配置” -> “添加数据存储”
    进行以下配置：
    image

    本地挂载目录：自定义创建本地挂载目录，本例使用/data/input
    存储位置：选择所创建的并行文件系统（本例选择已创建的moderarts0009），以及数据集所在的目录input

  2. 返回Notebook界面 -> 点击“打开”notebook-test ->
    打开“Terminal”命令行终端界面 ->
    执行以下命令，创建用于测试的test文件
    touch /data/input/test
    再执行以下命令，可以看到你刚创建的test文件&先前上传的文件
    ls /data/input

  3. 上传
    这里选择OBS文件上传，
    因为这里本地上传限制为100M文件。

  4. 解压
    打开“Terminal”命令行终端界面 ->
    执行以下命令，查看是否在正确的路径下
    pwd
    ls -l
    执行以下命令，解压项目工程文件压缩包
    （这里以工业质检Unet为例，具体代码可参考文末学习资源推荐）
    unzip unet.zip
    unzip unet_sdk.zip

  • 训练阶段工程目录结构如下:
    ├──unet
	├──data                            // 预处理后的数据集文件夹
	├──raw_data                        // 原始数据集
    ├──out_model                       // 模型导出保存文件夹
    ├──pred_visualization              // 可视化图片保存文件夹（需要自己创建）
    ├──src                             // 功能函数
    │   ├──unet_medical                   // U-Net网络
    │   ├──unet_nested                    // U-Net++网络
    │   ├──config.py                      // 配置文件
    │   ├──data_loader.py                 // 数据加载
    │   ├──eval_callback.py               // 训练时评估回调
    │   ├──loss.py                        // 损失函数
    │   ├──utils.py                       // 工具类函数
    ├──draw_result_folder.py           // 文件夹图片可视化
    ├──draw_result_single.py           // 单张图片可视化
    ├──eval.py                         // 模型验证
    ├──export.py                       // 模型导出，ckpt转air/mindir/onnx
    ├──postprocess.py                  // 后处理
    ├──preprocess.py                   // 前处理
    ├──preprocess_dataset.py           // 数据集预处理
    ├──train.py                        // 模型训练
    ├──requirements.txt
  • 模型转换工程目录结构如下:
    ├── unet_sdk
    ├── model
    │   ├──air2om.sh                     // air模型转om脚本
    │   ├──xxx.air                       //训练阶段导出的air模型
    │   ├──aipp_unet_simple_opencv.cfg   // aipp文件

注：
接下来就可以开始旅程，进入训练阶段。

若中途暂停实验，记得做停止资源操作，消耗最少费用；
若返回继续实验，再次启动Notebook编程环境；
若完成了本实验，最后是释放资源操作，为了停止计费。

一. 配置文件参数和数据预处理

MindSpore 数据集预处理preprocess_dataset.py文件需调用如下脚本:

文件参数脚本src/config.py文件。

文件参数脚本为src/config.py，包括
unet_medical，
unet_nested，
unet_nested_cell，
unet_simple，
unet_simple_coco
共5种配置，表示模型与数据集之间的组合。
包含超参数、数据集路径等文件参数

Step 运行脚本

  1. 新建NoteBook中：查看是否在工程目录unet/路径下
    !pwd

  2. 进入NoteBook中：运行示例
    !python3 preprocess_dataset.py --data_url=./data/
    其中--data_url：数据集预处理后的保存路径。

  • 预计数据集预处理所需时间约为10分钟。
    预处理完的数据集会保存在/unet/data/文件夹下。
    输出结果：

二. 模型训练

MindSpore模型训练 需调用如下脚本:

preprocess_dataset.py:将类coco数据集 转化成 模型训练需要数据格式。
src/unet_xxx/:存放 unet/unet++ 模型结构。
src/data_loader.py:存放 数据加载功能函数。
src/eval_callback:存放 cb 函数，用于训练过程中进行eval.
src/utils.py: mindspore 自定义 cb 函数，自定义 metrics 函数。
train.py

Step 运行脚本

  1. 进入NoteBook中：运行示例
    !python train.py --data_url=./data/ --run_eval=True
    其中--data_url： 数据集输入路径。
    其中--run_eval: True 表示训练过程中同时进行验证。
  • 预计模型训练所需时间约为36分钟。
    输出结果：

三. 模型推理

MindSpore模型推理 需调用如下脚本:

src/unet_xxx/：存放unet/unet++模型结构。
src/data_loader.py：存放数据预处理，数据加载功能函数。
src/utils.py：mindspore自定义cb函数，自定义metrics函数。
eval.py

Step 运行脚本

  1. 进入NoteBook中：运行示例
    !python eval.py --data_url=./data/ --ckpt_path=./ckpt_0/best.ckpt
    其中--data_url：数据集输入路径。
    其中--ckpt_path：ckpt 读取路径
  • 预计模型推理所需时间约为2分钟。
    输出结果：


    注：
    IOU（Intersection over Union）是一个度量函数，
    用来描述两个物体边界框的重叠程度（取值范围为[0,1]），
    重叠的区域越大，IOU值就越大。

四. 结果可视化

可以通过画图的方式将图像的结果可视化，方便查看。
可视化方法有两种。

方法一 单张图片可视化

draw_result_single.py：单张图片可视化，
输出单张图片的裁剪画图结果crop_plot.png和模型预测的结果predict_plot.png。

Step 运行脚本

  1. 查看工程目录unet/路径下
    确保已经事先创建好
    可视化图片保存文件pred_visualization文件夹

  2. 进入NoteBook中：运行示例
    !python draw_result_single.py --data_url=./data/SW1hZ2VfMjAyMTA3MjcxNTEzMzYzNzk --save_url=./pred_visualization --ckpt_path=./ckpt_0/best.ckpt
    其中--data_url：数据集输入路径（到单张图像）。
    其中--save_url：输出图像保存路径。
    其中--ckpt_path：ckpt读取路径。

  • 单张图片可视化所需时间约为1分钟。
    可视化完的图片会保存在/unet/pred_visualization文件夹下。
    输出结果：


方法二 文件夹图片可视化

draw_result_folder.py：文件夹图片可视化，
输出文件夹内图片的模型预测结果predict.png。

Step 运行脚本

  1. 查看工程目录unet/路径下
    确保已经事先创建好
    可视化图片保存文件pred_visualization文件夹

  2. 进入NoteBook中：运行示例
    !python draw_result_folder.py --data_url=./data/ --save_url=./pred_visualization --ckpt_path=./ckpt_0/best.ckpt
    其中--data_url：数据集输入路径（到图像文件夹）。
    其中--save_url：输出图像保存路径。
    其中--ckpt_path：ckpt读取路径。

  • 文件夹图片可视化所需时间约为10分钟。
    可视化完的图片会保存在/unet/pred_visualization文件夹下。
    输出结果：

五. 模型保存

如果想在昇腾AI处理器上执行推理，
可以通过网络定义和CheckPoint生成AIR格式模型文件。

Step 运行脚本

  1. 进入NoteBook中：运行示例
    !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路径。
    其中--width： 模型输入尺寸。
    其中--height： 模型输入尺寸。
    其中--file_name： 输出文件名。
    其中--file_format： 输出格式，必须为[“ONNX”, “AIR”, “MINDIR”]。
  • 模型保存即导出模型的输出结果在out_model/unet_hw960_bs1.air
    最后将导出的模型下载至本地，供后续推理阶段实验使用：
    右键 -> Download

六. 模型转换

此处模型转换需要用到ATC工具。
详细内容&错误码请参考昇腾官网文档-使用ATC工具转换模型

Step1 上传air模型

  • 将训练阶段实验模型保存的air模型上传至华为云ModelArts的unet_sdk/model/目录下

    这里因为模型中有optype[ArgMaxD]，因此需要在Ascend910系列芯片上执行模型转换才能成功。
    （此次华为云ModelArts使用的正是Ascend910A）
    而一般情况，模型训练完进行的模型转换是可以选择在开发者套件(Ascend310系列芯片)和Ubuntu系统中执行的。
    （具体方法请参考昇腾官网文档-转换模型）

Step2 模型转换命令

  • 打开unet_sdk/model/air2om.sh文件
    使用atc命令如下，可根据实际开发情况进行修改。

    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

    本实验将训练阶段实验模型保存的air模型转为昇腾Al处理器支持的om格式离线模型
    注意：air 模型转 om 只支持静态 batch，这里 batchsize=1。
    其中--framework：原始框架类型。
    其中--model：原始模型文件路径与文件名。
    其中--output：转换后的离线模型的路径以及文件名。
    其中--input_format：输入数据格式。
    其中--soc_version：模型转换时指定芯片版本。
    （这句话指的是当前执行模型转换时候所在机器的芯片版本，可通过命令行终端输入npu-smi info查看）
    其中--log：显示日志的级别。
    其中--insert_op_conf：插入算子的配置文件路径与文件名，这里使用AIPP预处理配置文件，用于图像数据预处理。

Step3 运行脚本

  1. 确保在工程目录unet_sdk/model/路径下，首先查看文件权限
    ls -l
    （如果文件权限列中没有x，你才需要继续下一命令赋予它执行权限）
    输入
    chmod +x air2om.sh

  2. 运行示例
    输入
    ./air2om.sh

  • 输出结果：

注：
到此我们在华为云上使用MindSpore的训练阶段实验就结束了。
有了导出的air模型及其模型转换出的om模型，我们就可以继续进入下一篇章：AscendCL推理阶段。

结束后记得及时关闭云上环境，避免资源浪费和产生额外的费用！！！

学习资源推荐

posted on 2024-05-25 23:03  机动人心  阅读(265)  评论(0)  编辑  收藏  举报