【云驻共创】云原生AI算法开发套件介绍

《华为云ModelArts关键AI能力宣讲会 NO.3》云原生AI算法开发套件介绍的直播，本以为是一场平平无奇的技术开发介绍，但是整体看下来，还是给我带来了很多的惊喜。尤其是华为云的jupyter版本中独一无二的交互式操作让人耳目一新。

那么现在跟随文章，大家一起来看看吧！

1. 云原生AI算法开发套件简述

在传统的 AI 开发过程中，我们发现，模型的训练、评估、测试、优化、转换、实现和部署有着很大程度上的相似性，因此，是不是可以通过开发一个 AI 算法开发套件来进一步降低开发的成本，提高开发的效率，以实现降低门槛，提高开发效率的目的？

这就是 华为 AI 算法开发套件的开发初衷与由来。

那么 AI 算法开发套件主要包括哪些部分呢？有什么样的功能可以具体的完成 AI 的开发任务？

从上图可以看到，AI 算法开发套件主要体现在三个方面：

1. 端到端的能力支持和 all in one 的能力使用，可以支持很多算法套件的使用。
2. jupyterlab交互式 UI 集成 Python SDK、代码白盒化、数据的自动化
3. IDE 云下开发、一键使用云上训练资源

AI 算法开发套件的上线适配主要分为了自研和社区两个部分。极大增加了算法的丰富度。两种方式相互促进，相互补充。自研套件主打业务开发的实用性与易用性，具备端到端的全流程开发支持；开源适配主打算法内容的丰富度与先进性，促进与开源社区的互动与联系。

从右图我们可以看到，AI 算法套件的亮点在于开发时的参数化调试，API开发方式和交互式三种各有特点的开发方式。能更加有效的对算法模型进行调试，减少将注意力放到文件路径的繁琐步骤。

2. 云原生AI算法开发样例

上图是 AI 开发套件的一个样例，通过样例我们可以直观看到 AI 开发套件在开发过程中体现的优势。

链接地址是：https://bbs.huaweicloud.com/live/cloud_live/202209281900.html

2.1. 安装依赖环境

进入开发环境后我们先要准备一下基础的环境依赖

# 安装基础依赖环境
!pip install ipympl==0.9.1
!pip install Pillow==9.1.1
!pip install pandas==1.3.5

接下来是选择预训练模型

经典的目标检测方法主要包括单阶段（YOLO、RetinaNet等）和多阶段算法（Faster RCNN、Cascade RCNN等），本案例以fcos算法模型为例，fcos算法属于anchor free的一阶段目标检测算法，具有训练速度快、超参数少等特点。本小节以"mmdetection:fcos/fcos_r50_caffe_fpn_gn-head_1x_coco"模型为例，演示如何下载预训练模型。

FCOS: Fully Convolutional One-Stage Object Detection，是一种完全卷积的一级对象检测器 (FCOS)算法，该算法是一种基于 FCN 网络一种根据像素来进行目标检测，以每像素预测方式 (类似于语义分割) 解决对象检测问题，其主要的特点是，无锚点（anchor-free）、无提议（proposal free），并提出了中心度（Center—ness）的思想。几乎所有最先进的对象检测器，例如RetinaNet，SSD，YOLOv3和更快的r-cnn，都依赖于预定义的锚盒。相比之下，FCOS是无锚盒的，也是无提案的。通过消除预定义的锚框集，FCOS完全避免了与锚框相关的复杂计算，在召回率衡量算法模型的标准上表现优异。

本小节以 mmdetection:fcos/ 下的 fcos_r50_caffe_fpn_gn-head_1x_coco 模型为例，演示如何下载预训练模型。

2.2. 选择预训练模型

#@title Install pretrained model   
from modelarts.algo_kits import EnvManager
env = EnvManager()
env.init_env()          # initialize environment



algo_name = "mmdetection" #@param {type:"string", dropdown}
model_name = "mmdetection:fcos/fcos_r50_caffe_fpn_gn-head_1x_coco" #@param {type:"string", dropdown}
dataset_name = "coco2017_sample" #@param {type:"string"}
env.install(mode="algorithm", asset_name=algo_name, version="2.17.0")
# 安装样例数据集，数据集会下载到./{project_dir}/data/raw/
env.install(mode="dataset", asset_name=dataset_name)
# 安装预训练模型，模型会下载到./{project_dir}/model_zoo/
env.install(mode="model", asset_name=model_name)

在右侧的 UI 交互界面，也可以通过拖动，点击来完成参数的设置，极其方便！

不得不说这种的调试方式深得我心，可以通过简明的 UI 界面对其进行参数调试。真的可以提高生产力！

2.3. 构建数据集DataBlock对象

DataBlock支持自动统计数据集信息，比如目标、尺寸等信息，帮助用户更好的理解数据集，同时还可以动态查看每一个batch经过pipeline之后的输入图像，确保数据增强的正确性。

detblock.plot_dataset_stats() 可以绘制数据集的统计信息，图像的显示大小可以由figsize参数控制；
detblock.print_dataset_stats() 能够打印出具体的统计信息数值；
datablock.show_batch() 可以动态展示内存中的经过增强后的图片信息，可以通过rows（显示行数）和figsize（显示大小）来控制输出。

代码如下：

#@title Build DataBlock 
from modelarts.algo_kits import DetDataBlock

num_classes = 80 #@param {type:"integer"}
data_root = "./data/raw/coco2017_sample" #@param {type:"string"}
train_img_prefix = "val2017" #@param {type:"string"}
train_ann_file = "annotations/instances_val2017.json" #@param {type:"string"}
val_img_prefix = "val2017" #@param {type:"string"}
val_ann_file = "annotations/instances_val2017.json" #@param {type:"string"}
batch_size = 4 #@param {type:"slider", min:1, max:10, step:1}


db = DetDataBlock(env,
                  batch_size=batch_size,
                  data_root=data_root, 
                  num_classes=num_classes,
                  train_img_prefix=train_img_prefix, 
                  train_ann_file=train_ann_file,
                  val_img_prefix=val_img_prefix, 
                  val_ann_file=val_ann_file,
                  model_name=model_name
                 )

同样的，在右边可以通过拖动batch_size()的拖动条来自定义batch_size的大小。

2.3. 可视化数据集

plotter = db.show_batch(rows=2, figsize=(14, 8))
next(plotter)

得到如下显示，从下图可以看出数据集的可视化也是十分方便的。

2.4. 绘制数据集分布图

db.plot_dataset_stats(figsize=(14, 8))

3. 构建模型Model对象

Model主要接收如下入参：

env: EnvManager对象
model_name：模型名称
num_classes：类别数
checkpoint：预训练模型文件路径，默认为None（随机初始化网络权重）
load_default_backbone: 是否加载预训练backbone，默认为False。当指定checkpoint参数后，该参数可设置为False

import os
from ipyfilechooser import FileChooser
from ipywidgets import Layout

# such as "model_zoo/mmdetection/2.17.0/fcos/fcos_r50_caffe_fpn_gn-head_1x_coco-821213aa.pth"
fc = FileChooser(path=os.getcwd(), layout=Layout(width="1000px"))
display(fc)

在这里也体现了交互性，可以通过下方的选择框选择需要的模型。

# Build Model
from modelarts.algo_kits import Model

ckpt_path = os.path.join(fc.selected_path, fc.selected_filename)
fcos_model = Model(env, model_name=model_name, num_classes=num_classes, checkpoint=ckpt_path)

4. 构建学习器Learner对象

#@title Build Learner 
from modelarts.algo_kits import Learner

output_path = 'output'
log_interval = 21 #@param {type:"slider", min:1, max:100, step:10}
epoch_based_eval_interval = 1 #@param {type:"slider", min:1, max:10, step:1}
log_params = {
                'log_type': ['graph', 'table'], 
                'table_highlight_method':'best', 
                'log_interval':log_interval
             }
learner = Learner(fcos_model, db, output_path, log_params=log_params, epoch_based_eval_interval=epoch_based_eval_interval)

#@title Fit parameters

weight_decay = 0.0005 #@param {type:"number"}
max_epochs = 0 #@param {type:"slider", min:0, max:20, step:1}
lr = 0.001 #@param {type:"slider", min:0.001, max:0.1, step:0.001}

learner.fit(lr=lr, max_epochs=max_epochs, weight_decay=weight_decay, gpu_ids=[0])

5. 模型评估阶段

# 评估模型在验证集上的表现
learner.validate()

6. 图片推理

learner.predict： 用于模型推理，具体参数如下

img_path: 指定需要推理的图片路径
model: 指定用于推理的模型，默认为None, 不填写该参数则默认使用Learner中的Model进行推理
checkpoint: 推理时使用的模型权重路径, 默认为None。当传入有效路径时，该处优先级最高。没有传入参数时，会按完成训练后的模型权重高于Model中指定的checpoint的优先级加载模型权重。如果均未指定checpoint且没有进行训练，则默认使用随机初始化的权重进行推理
device: 推理时的设备类型，默认为'cpu'，即使用cpu进行推理
score_thr: 模型logits判别阈值，默认为0.3
save_dir: 推理后的文件保存路径，默认为None

# such as "./data/raw/coco2017_sample/val2017/000000000139.jpg"
img_fc = FileChooser(path=os.getcwd(), layout=Layout(width="1000px"))
display(img_fc)

# 模型推理
result = learner.predict(os.path.join(img_fc.selected_path, img_fc.selected_filename))

7. 交互式推理

API针对notebook使用场景，增加了动态交互式的推理方式，您可以通过鼠标勾选需要推理的图片、视频，并且可以选择不同的iou和score参数进行动态比较。具体如下图所示

from modelarts.algo_kits import VisDetPlatform

infer_param = {"nms_pre": 200, "max_per_img": 20, "img_scale": (800, 600)}
VisDetPlatform(learner, infer_param=infer_param, stage="val", det_box_color=(0, 0, 255))

8. 总结

总体上，AI 算法开发套件给人一种厌倦了市面上许多大同小异的jupyter-lab后的惊喜，惊喜在于其良好的交互性和模型的集成性，能够有效降低开发的门槛。推荐使用！

本文参与华为云社区【内容共创】活动第21期】

任务17：《华为云ModelArts关键AI能力宣讲会 NO.3》云原生AI算法开发套件介绍