跳转至

MindYOLO ModelArts训练快速入门

本文主要介绍MindYOLO借助ModelArts平台的训练方法。 ModelArts相关教程参考帮助中心

准备数据及代码

使用OBS服务上传数据集，相关操作教程见OBS用户指南，获取本账户的AK，服务器地址请咨询对应平台管理员或账号负责人，如AK不在用户指南指定位置，也请咨询平台管理员或账号负责人。
操作： 1. 登录obs browser+ obs 2. 创建桶 -> 新建文件夹（如：coco） 桶 3. 上传数据文件，请将数据文件统一单独放置在一个文件夹内（即用例中的coco），代码中会对obs桶内数据做拷贝，拷贝内容为此文件夹（如：coco）下所有的文件。如未新建文件夹，就无法选择完整数据集。 数据集

准备代码

同样使用OBS服务上传训练代码。
操作：创建桶 -> 新建文件夹（如：mindyolo）-> 上传代码文件，在mindyolo同层级下创建output文件夹用于存放训练记录，创建log文件夹用于存放日志。 桶目录 套件代码

新建算法

  1. 在选项卡中选择算法管理->创建。 创建算法
  2. 自定义算法名称，预制框架选择Ascend-Powered-Engine，master分支请选择MindSpore-2.0版本镜像，r0.1分支请选择MindSpore-1.8.1版本镜像，设置代码目录、启动文件、输入、输出以及超参。 算法配置
  • 如需加载预训练权重，可在选择模型中选择已上传的模型文件，并在运行参数中增加ckpt_dir参数 ckpt
  • 启动文件为train.py
  • 运行超参需添加enable_modelarts，值为True
  • 运行超参config路径参考训练作业中运行环境预览的目录，如/home/ma-user/modelarts/user-job-dir/mindyolo/configs/yolov5/yolov5n.yaml
  • 如涉及分布式训练场景，需增加超参is_parallel，并在分布式运行时设置为True，单卡时为False

新建作业

  1. 在ModelArts服务中选择：训练管理 -> 训练作业 -> 创建训练作业，设置作业名称，选择不纳入实验；创建方式->我的算法选择刚才新建的算法； task task1
  2. 训练输入->数据存储位置，选择刚才创建的obs数据桶（示例中为coco），训练输出选择准备代码时的output文件夹，并根据运行环境预览设置好config超参值; task2
  3. 选择资源池、规格、计算节点，作业日志路径选择创建代码时的log文件夹 task3 规格
  4. 提交训练，排队后会进入运行中

修改作业

在训练作业页面选择重建，可修改选择的作业配置