VSCode接入Notebook体验算法套件完成水表读数（简版）

有这么一个ModelArts开发讨论：
VSCode一键接入Notebook体验算法套件快速完成水表读数
更新文档在这里：使用算法套件快速完成水表读数识别。
本文是简化版。

1. 下载数据到自己的OBS

   • 水表表盘分割数据集
   • 水表表盘读数OCR识别数据集

2. 创建Notebook

   • 镜像: pytorch1.8-cuda10.2-cudnn7-ubuntu18.04
   • 规格：GPU 1*V100(32G)|CPU 8核64G
   • 打开SSH远程开发
   • 费用：28元/小时
   • 下载好私钥到用户目录的.ssh目录下

3. 启动Notebook，更多 > VS Code 接入，调起VS Code，一键接入notebook

4. VS Code打开文件夹/home/ma-user/work，打开终端输入命令

## 1. 分割

#输入工程名称 water_meter；其他默认, Select install_asset 选择6-skip
ma-cli createproject


#拷贝 分割、识别 数据集到本地
cd water_meter/
python manage.py copy --source obs://ifantong/water_meter_segmentation --dest ./data/raw/water_meter_segmentation
python manage.py copy --source obs://ifantong/water_meter_crop --dest ./data/raw/water_meter_crop

#安装算法
python manage.py install algorithm ivgSegmentation==1.0.2

#修改算法参数

#1. data_root 为本地分割数据集路径
#2. load_from 为训练好的模型文件路径 在 训练分割模型 之后生成
#3. img_file 为推理用的图片文件路径
algorithms/ivgSegmentation/config/sample/config.py

#1. num_classes 为 2 分类（背景和读数区域）；
#2. train_scale 等4处 尺寸改为 (512, 512)
algorithms/ivgSegmentation/config/sample/deeplabv3_resnet50_standard-sample_512x1024.py

#安装预训练模型
python manage.py install model ivgSegmentation:deeplab/deeplabv3_resnet50_cityscapes_512x1024

#训练分割模型 跑2轮 --gpus 0 为使用GPU best模型大小272M
python manage.py run --cfg algorithms/ivgSegmentation/config/sample/config.py --gpus 0

#config.py 已提前修改参数 指定 训练好的模型文件路径

#验证模型效果 跑Test 要用GPU，否则很慢
python manage.py run --cfg algorithms/ivgSegmentation/config/sample/config.py --pipeline evaluate --gpus 0

#config.py 已提前修改参数 指定 推理用的图片文件路径

#做一个图片的推理 用CPU就可以
python manage.py run --cfg algorithms/ivgSegmentation/config/sample/config.py --pipeline infer

#导出模型SDK，可在本地或modelarts里做模型部署
python manage.py export --cfg algorithms/ivgSegmentation/config/sample/config.py --is_deploy

## 2. OCR

#安装算法
python manage.py install algorithm mmocr==0.2.1

#修改参数

#1. data_root 为本地OCR数据集路径
#2. EPOCHS 为 2
algorithms/mmocr/config/textrecog/config.py

#1. train_prefix 为本地OCR数据集路径, train_img_prefix1 为+ 'train'，train_ann_file1 为train.txt；
#2. 同样的验证数据的 test_prefix 等
#3. 在线部署obs存储地址 obs_bucket
#4. 模型位置 model_path
#5. 推理使用的输入文件 infer_img_file
algorithms/mmocr/config/textrecog/robustscanner_r31_academic.py

#下载安装预训练模型 180M
python manage.py install model mmocr:textrecog/robust_scanner/robustscanner_r31_academic

#安装官方预编译的依赖包 版本修改为1.3.9
pip install https://download.openmmlab.com/mmcv/dist/cu101/torch1.6.0/mmcv_full-1.3.9-cp37-cp37m-manylinux1_x86_64.whl

#训练模型 训练、推理会安装torch1.6 训练、推理需要使用GPU，没GPU报错
python manage.py run --cfg algorithms/mmocr/config/textrecog/config.py

#config.py 已提前修改参数 指定 训练好的模型文件路径

#验证模型效果
python manage.py run --cfg algorithms/mmocr/config/textrecog/config.py --pipeline evaluate

#config.py 已提前修改参数 指定 推理用的图片文件路径

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

#导出模型SDK
python manage.py export --cfg algorithms/mmocr/config/textrecog/config.py

#config.py 已提前修改参数 指定 OBS桶存放位置

#导出部署模型所需文件
python manage.py export --cfg algorithms/mmocr/config/textrecog/config.py --is_deploy

#本地部署
python manage.py deploy --cfg algorithms/mmocr/config/textrecog/config.py

#在线部署 慢，约15分钟
python manage.py deploy --cfg algorithms/mmocr/config/textrecog/config.py --launch_remote