秋风到，ModelArts“ AI市场算法Fast-SCNN指南”秋膘贴起来
本文分享自华为云社区《带你来秋日尝鲜 | ModelArts AI市场算法Fast-SCNN使用指导》，作者：Tianyi_Li
摘要：送小伙伴们一份新鲜出炉的ModelArts AI市场算法Fast-Scnn（以下简称为本算法）使用秘籍，保证轻松上手。
双十一到了，秋风瑟瑟，不能光顾着剁手是不是，是时候贴贴秋膘，尝尝鲜了，特意送来新鲜出炉的ModelArts AI市场算法Fast-Scnn（以下简称为本算法），附上使用秘籍，保证轻松上手。
本算法使用Cityscapes高质量标注数据集中的train集和val集，使用train集训练，在val集上测试达到了mIOU=68.668的准确率。
1. 准备数据集
本算法支持的数据集格式为Cityscapes数据集。
Cityscapes数据集包含来自50个不同城市的街道场景中记录的各种立体声视频序列集，以及较大的20000个弱注释帧集和5000个帧的高质量像素级注释。因此，该数据集比已有的类似数据集大一个数量级。有关带注释的类的详细信息和注释示例可在数据集官网上找到。
Cityscapes 数据集旨在用于:
(1) 评估视觉算法在语义城市场景理解的主要任务上的性能：像素级，实例级和全景语义标记；
(2) 支持旨在利用大量（弱）注释数据的研究，例如用于训练深度神经网络。
1.1 下载数据集
可点此链接下载gtFine_trainvaltest.zip 和 leftImg8bit_trainvaltest.zip 两个文件，如下图所示：
gtFine_trainvaltest.zip解压后的目录结构如下（本算法训练不需自行解压，可直接使用压缩包）：
└─gtFine
├─test
├─train
└─val
leftImg8bit_trainvaltest.zip解压后的目录结构如下（本算法训练不需自行解压，可直接使用压缩包）：
└─leftImg8bit
├─test
├─train
└─val
如果您需要使用自己的数据集进行训练，则需要将数据目录整理成和上面一样的形式。更详细的数据集说明请查看Cityscapes数据集官网上的描述。
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fast-scnn。您设置的桶名必须与此不同，如在下文的操作指导中看到fast-scnn，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，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”，点击“上传”->“添加文件”-> 选择本地下载好的数据集压缩包（之所以选压缩包格式是因为如果数据集比较大，上传压缩包比上传文件夹快很多） –> 确定，如下图所示；
（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，注意请使用最新版的，目前应该是6.0.0版本，基本版本以订阅情况。
3. 创建训练作业
点击上图中的“创建训练作业”，按照下表填写训练作业参数：
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(推荐使用这种方法，简单方便，与训练无缝衔接)，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://fast-scnn/algorithms/train_output，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，本算法支持CPU和GPU部署。
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CPU即可；
（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。测试结果如下图所示，右侧为得到的预测结果，不同的数字表示不同的类别。
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，本算法支持CPU和GPU部署。
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“CPU 2核 8GB”，计算节点个数设为1；
这里的输入数据目录位置为存放待预测图像的位置，注意该位置下仅能存放待预测图片，而输出数据目录位置为空文件夹即可，可自行定义。
（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_result目录，其中包含推理后的.png图片和推理结果_results.txt文件。其中_results.txt文件包含验证结果，如图所示。
好了，到此即将结束了，这次尝鲜大家感觉怎么样呢？期待大家的分享使用体验和感受。
