矩池云配置MMDetection环境+训练自己的数据集

自用,方便查找。

参考:采用矩池云配置MMDetection环境_一只大憨憨的博客-优快云博客_矩池云配置环境

环境

镜像:
Pytorch 1.5.0
镜像描述:
预装:Python3.8, CUDA 10.1, cuDNN 7.6, Pytorch 1.5.0, Ubuntu 18.04

步骤

安装环境:

1. 安装torch

conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.1 -c pytorch -y

2.安装mmcv-full

pip install mmcv-full==1.4.0 -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.6.0/index.html

这里mmcv-full==版本号,从github的readme.md中查找,这里用的是master版本,所以选择了1.4.0

 3.安装mmdetection

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"

在这部分会遇到一个坑,由于水平有限,折腾了好几天,重装了各种环境,最后发现是软连接的问题,是os.symlink()的问题,由于无法执行所以“Function not implemented”。

 解决方法:

将mmdetection/setup.py 149行'symlink'改为'copy',顺利跑通。 (此方法治标不治本,放在这不删了,留个经验)

 

正确解决办法:通过联系矩池云客服,说把mmdetection安装在/root目录下,即可解决安装的时候的软连接问题,但是需要每次都存一下环境,不过没办法。

训练自己的数据集:

参考博客:mmdetectionV2.x版本 训练自己的VOC数据集_桃子酱momo的博客-优快云博客_mmdetection训练自己的voc数据集

测试自己的数据集

python tools/test.py configs/xxxx.py work_dirs/xxxx/epoch_xx.pth --out xxx.pkl --eval mAP

测速度

python -m torch.distributed.launch --nproc_per_node=1 --master_port=29500 tools/analysis_tools/benchmark.py $cofig $checkpoint --launcher pytorch

tensorboard

在vscode终端输入

tensorboard --logdir=work_dirs/faster_rcnn/tf_logs

然后在跳出来的选项卡选择打开浏览器即可

### 关于矩池云的服务介绍和技术文档 #### 服务概述 矩池云是一种面向开发者和研究人员的云计算服务平台,提供多种资源和服务支持。它不仅为用户提供计算能力,还提供了存储功能以及针对特定场景优化的工作流工具。例如,每位用户都可以获得 **5GB 的免费存储空间**,这些存储空间位于用户的个人网盘中[^1]。 #### 数据管理与隐私保护 在数据管理方面,矩池云允许用户将文件上传至个人中心下的“我的网盘”,从而方便地在所租用的虚拟机中调用所需的数据。值得注意的是,即使用户释放了当前使用的主机实例,存放在网盘中的数据也不会丢失,并且平台承诺保障用户数据的安全性和私密性[^1]。 #### 资源租赁与环境保存 对于需要长期运行的任务或者频繁切换工作状态的情况,矩池云建议用户完成任务后及时关闭服务器以节省成本。具体操作是在控制面板中找到对应实例并点击“停止并释放”。另外,为了减少重复劳动,比如重新安装依赖库等问题,系统支持保存已配置好的运行环境,这样后续可以直接加载先前的状态继续作业而无需再次准备软件包等资源[^2]。 #### 高级特性——自动化教学辅助 除了常规的企业和个人用途外,矩池云也特别设计了一些适合教育领域的解决方案。其中一项重要功能便是能够设置是否启用自动分配课时时长给学员的功能。一旦激活此选项,在审核通过某个学生的加入请求之后便会自动生成一张有效期内可用的时间券发放给他;不过前提是授课老师的账户余额充足才能顺利完成整个流程,否则可能需要管理员介入处理异常情况[^3]。 #### 文件传输最佳实践案例分析 (CIFAR-10 数据集为例) 当涉及到大型数据集的操作时,直接在线获取可能会消耗大量时间和带宽资源。因此推荐预先在外围准备好目标素材后再上传到云端指定位置。以 TensorFlow CIFAR-10 数据集为例,以下是具体的实施步骤: 1. 使用 Jupyter Notebook 提供的图形化界面轻松实现本地计算机与远程服务器之间的拖放式上传; 2. 将原始压缩包改名为 `cifar-10-batches-py.tar.gz` ,因为这是框架内部识别的标准名称; 3. 启动一个新的终端窗口并通过一系列 Linux 命令行指令移动该档案至正确的路径下 (`~/.keras/datasets/`) ; 4. 完成上述准备工作后即可无缝衔接原有程序逻辑而不必担心网络延迟带来的影响[^4]. ```bash cd ~/ cp /mnt/cifar-10-batches-py.tar.gz ~/.keras/datasets/ ``` #### 总结 综上所述,矩池云作为一个综合性的公共基础设施提供商,涵盖了从小规模实验探索到大规模生产部署全生命周期内的各类需求点。无论是初学者还是资深工程师都能从中受益匪浅。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

yezzii

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值