VSCode一键接入Notebook体验算法套件快速完成水表读数_模子_数据

本示例环绕真实AI需求场景，先容VSCode一键接入Notebook体验算法套件快速完成水表读数的利用流程。

算法开拓套件中目前供应自研(ivg系列)和开源(mm系列)共两套算法资产，可运用于分类、检测、分割和OCR等任务中。
本示例中将组合利用自研分割算法(ivgSegmentation)和开源OCR算法(mmOCR)完成水表读数识别项目，并利用算法开拓套件将其支配为华为云在线做事。

解释：

本案例教程仅适用于“华北-北京四”区域，新版Notebook。

在“ModelArts掌握台 > 开拓环境 > Notebook（New）”页面中，创建基于pytorch1.4-cuda10.1-cudnn7-ubuntu18.04镜像，类型为GPU的Notebook，详细操作请拜会创建Notebook实例章节。

本案例须要利用VS Code 远程连接Notebook，须要开启SSH远程开拓。

图1 创建Notebook实例

1.实例的密钥文件须要下载至本地的如下目录或其子目录中：

Windows：C:\Users{{user}}

Mac/Linux: Users/{{user}}

2.在ModelArts掌握台->开拓环境 Notebook，单击“操作”列的“更多 > VS Code接入”。

如果本地已安装VS Code，请单击“打开”,进入“Visual Studio Code”页面。

如果本地未安装VS Code，请根据实际选择“win”或“其他”下载并安装VS Code。
VS Code安装请参考安装VS Code软件。

如果用户之前未安装过ModelArts VS Code插件，此时会弹出安装提示，请单击“Install and Open”进行安装；如果之前已经安装过插件，则不会有该提示，请跳过此步骤，直接实行后面步骤

安装过程估量1~2分钟，安装完成后右下角会弹出对话框，请单击“Reload Window and Open”。

在弹出的提示中，勾选“Don’t ask again for this extension”，然后单击"Open"。

3.远程连接Notebook实例。

1、成功接入之后，在VS Code页面点击文件->打开文件夹，选择如下文件夹打开

2、新建终端

3、在work目录下实行

ma-cli createproject

命令创建工程，根据提示输入工程名称，例如：water_meter。
然后直接回车选择默认参数，并选择跳过资产安装步骤（选择6）。

4、实行以下命令进入工程目录。

cd water_meter

5、实行以下命令拷贝项目数据到Notebook中。

python manage.py copy --source {obs_dataset_path} --dest ./data/raw/water_meter_croppython manage.py copy --source {obs_dataset_path} --dest ./data/raw/water_meter_segmentation

解释：

{obs_dataset_path}路径为Step1 准备数据中下载到OBS中的数据集，比如“obs://{OBS桶名称}/water_meter_segmentation”和“obs://{OBS桶名称}/water_meter_crop”

1、首先安装ivgSegmentation套件。

python manage.py install algorithm ivgSegmentation==1.0.2

如果提示ivgSegmentation版本禁绝确，可以通过命令python manage.py list algorithm查询版本。

2、安装ivgSegmentation套件后，在界面左侧的工程目录中进入“./algorithms/ivgSegmentation/config/sample”文件夹中查看目前支持的分割模型，以sample为例（sample默认的算法便是deeplabv3），文件夹中包括config.py（算法外壳配置）和deeplabv3_resnet50_standard-sample_512x1024.py（模型构造）。

3、表盘分割只须要区分派景和读数区域，因此属于二分类，须要根据项目所需数据集对配置文件进行修正，如下所示：

修正./algorithms/ivgSegmentation/config/sample/config.py文件。

# config.pyalg_cfg = dict( ... data_root='data/raw/water_meter_segmentation', # 修正为真实路径本地分割数据集路径 ...)

修正完后按Ctrl+S保存。

4、修正./algorithms/ivgSegmentation/config/sample/deeplabv3_resnet50_standard-sample_512x1024.py文件。

# deeplabv3_resnet50_standard-sample_512x1024.pygpus=[0]...data_cfg = dict( ... num_classes=2, # 修正为2类 ... ... train_scale=(512, 512), # (h, w)#size全部修正为(512, 512) ... train_crop_size=(512, 512), # (h, w) ... test_scale=(512, 512), # (h, w) ... infer_scale=(512, 512), # (h, w) )

5、修正完按Ctrl+S保存。

6、在water_meter工程目录下，安装deeplabv3预演习模型。

python manage.py install model ivgSegmentation:deeplab/deeplabv3_resnet50_cityscapes_512x1024

7、演习分割模型。
（推举利用GPU进行演习）

# shellpython manage.py run --cfg algorithms/ivgSegmentation/config/sample/config.py --gpus 0

演习好的模型会保存在指定位置中，默认为output/deeplabv3_resnet50_standard-sample_512x1024/checkpoints/中。

8、验证模型效果。

模型演习完成后，可以在验证集上打算模型的指标，首先修正配置文件的模型位置。

修正./algorithms/ivgSegmentation/config/sample/config.py。

# config.pyalg_cfg = dict( ... load_from='./output/deeplabv3_resnet50_standard-sample_512x1024/checkpoints/checkpoint_best.pth.tar', # 修正演习模型的路径 ...)

# shellpython manage.py run --cfg algorithms/ivgSegmentation/config/sample/config.py --pipeline evaluate

9、模型推理。

模型推理能够指定某一张图片，并且推理出图片的分割区域，并进行可视化，首先须要指定须要推理的图片路径。

修正./algorithms/ivgSegmentation/config/sample/config.py

alg_cfg = dict( ... img_file = './data/raw/water_meter_segmentation/image/train_10.jpg' # 指定须要推理的图片路径 ...)

实行如下命令推理模型效果。

# shellpython manage.py run --cfg algorithms/ivgSegmentation/config/sample/config.py --pipeline infer

推理输出的图片路径在./output/deeplabv3_resnet50_standard-sample_512x1024下。

10、导出SDK。

算法开拓套件支持将模型导出成一个模型SDK，方便进行模型支配等下贱任务。

# shellpython manage.py export --cfg algorithms/ivgSegmentation/config/sample/config.py --is_deployStep3 水表读数识别

1、首先安装mmocr套件。

python manage.py install algorithm mmocr

2、安装mmocr套件后，./algorithms/mmocr/config/textrecog文件夹中包括config.py（算法外壳配置），须要根据所需算法和数据集路径修正配置文件。
以下以robust_scanner算法为例。

修正./algorithms/mmocr/algorithm/configs/textrecog/robustscanner_r31_academic.py，

# robustscanner_r31_academic.py...train_prefix = 'data/raw/water_meter_crop/' # 修正数据集路径改为水表ocr识别数据集路径train_img_prefix1 = train_prefix + 'train'train_ann_file1 = train_prefix + 'train.txt'test_prefix = 'data/raw/water_meter_crop/'test_img_prefix1 = test_prefix + ‘val’test_ann_file1 = test_prefix + ‘val.txt’

3、安装robust_scanner预演习模型。

python manage.py install model mmocr:textrecog/robust_scanner/robustscanner_r31_academic

4、演习OCR模型。

初次利用mmcv时须要编译mmcv-full，该过程较慢，可以直策应用官方预编译的依赖包。

预编译包URL： https://download.openmmlab.com/mmcv/dist/cu101/torch1.6.0/index.html

pip install https://download.openmmlab.com/mmcv/dist/cu101/torch1.6.0/mmcv_full-1.3.8-cp37-cp37m-manylinux1_x86_64.whl

将./algorithms/mmocr/config/textrecog/config.py中的epoch（迭代数量）改为2，如下图所示：

python manage.py run --cfg algorithms/mmocr/config/textrecog/config.py

演习好的模型会保存在指定位置中，默认为output/${algorithm}中。

5、验证模型效果。

模型演习完成后，可以在验证集上打算模型的指标，首先修正配置文件的模型位置。

修正./algorithms/mmocr/config/textrecog/config.py

# config.py...model_path = './output/robustscanner_r31_academic/latest.pth'...

# shell python manage.py run --cfg algorithms/mmocr/config/textrecog/config.py --pipeline evaluate

6、模型推理。

模型推理能够指定某一张图片，并且推理出图片的分割区域，并进行可视化。
首先须要指定待推理的图片路径,修正algorithms/mmocr/config/textrecog/config.py文件，详细如下。

修正./algorithms/mmocr/algorithm/configs/textrecog/robust_scanner/config.py

...infer_img_file='./data/raw/water_meter_crop/val/train_10.jpg' # 指定须要推理的图片路径 ...

# shell python manage.py run --cfg algorithms/mmocr/config/textrecog/config.py --pipeline infer

推理输出的图片路径在output/robustscanner_r31_academic/vis下

7、导出SDK。

# shell python manage.py export --cfg algorithms/mmocr/config/textrecog/config.pyStep4 支配为在线做事

本次展示仅支配OCR做事， 包括本地支配和线上支配， 支配上线后调用支配做事进行本地图片的推理，获打水表的预测读数。
支配在线做事，须要指定OBS桶以便保存支配所须要的文件。

1.在algorithms/mmocr/config/textrecog/config.py文件中配置OBS桶，即obs_bucket=<please input your own bucket here>。

2.实行下述命令：

python manage.py export --cfg algorithms/mmocr/config/textrecog/config.py --is_deploy # 导出支配模型python manage.py deploy --cfg algorithms/mmocr/config/textrecog/config.py # 本地支配 python manage.py deploy --cfg algorithms/mmocr/config/textrecog/config.py --launch_remote#在线支配,会耗时一下子，请耐心等待

点击此处，查看支配成功的在线做事

通过此示例学习完成创建算法套件流程后，如果不再利用，建议您打消干系资源，避免造成资源摧残浪费蹂躏和不必要的用度。

点击下方，第一韶光理解华为云新鲜技能~

华为云博客_大数据博客_AI博客_云打算博客_开拓者中央-华为云

#华为云开拓者同盟#