1. 项目背景

1.1华为ModelArts平台

ModelArts是面向数据科学家和开发者的一站式AI平台，为机器学习与深度学习提供海量数据预处理及智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流。

1.2yolo3模型

“You Only Look Once”是一种使用卷积神经网络进行目标检测的算法。YOLO是其中速度较快的物体检测算法之一。虽然它不是最准确的物体检测算法，但是在需要实时检测并且准确度不需要过高的情况下，它是一个很好的选择。

与识别算法相比，检测算法不仅预测类别标签，还检测对象的位置。因此，它不仅将图像分类到一个类别中，还可以在图像中检测多个对象。该算法将单个神经网络应用于整个图像。这意味着该网络将图像分成区域，并为每个区域预测边界框和概率。这些边界框是由预测的概率加权的。

2.项目流程

2.1准备工作

首先从官方仓库中下载yolov3源代码

然后准备数据集，下载COCO2014数据集，并将数据集上传到OBS

预训练模型下载之后，放入 YoloV3_for_TensorFlow_1.6_code/data/darknet_weights 路径
`
±-- data

| ±-- coco2014_minival.txt
| ±-- coco2014_trainval.txt
| ±-- darknet_weights # 预训练模型所在路径
| | ±-- checkpoint
| | ±-- darknet53.ckpt.data-00000-of-00001
| | ±-- darknet53.ckpt.index
| | ±-- darknet53.ckpt.meta
| | ±-- readme
`
准备源码，根据COCO2014数据集的实际路径使用coco_trainval_anns.py 和 coco_minival_anns.py 分别生成 训练和验证样本标注文件 coco2014_trainval.txt 和 coco2014_minival.txt ，并放置于 YoloV3_for_TensorFlow_1.6_code/data 目录下。

1. 修改源码中的路径

2. 执行 coco_trainval_anns.py
   python coco_trainval_anns.py

3. 执行 coco_minival_anns.py
   python coco_minival_anns.py
   参数上基本默认即可
   

准备好源码之后，上传到obs中。

2.2创建项目

首先创建算法
名称：自定义
描述：自定义
创建方式：自定义脚本
—》AI引擎：Ascend-Powered-Engine，tensorflow_1.15-cann_5.0.3-py_3.7-euler_2.8.3-aarch64
—》代码目录：liulingjun-demo/yolov3/code
启动文件：liulingjun-demo/yolov3/code/train.py
输入数据配置：data_url
输出数据配置：train_url
超参：
—》model，String,
—》batch_size，Integer
—》total_epoches，Integer
在算法设置中调整参数

随后创建训练作业

单击“增加超参”，手动增加超参。配置 代码中的命令行参数值，请根据您编写的算法代码逻辑进行填写，确保参数名称和代码的参数名称保持一致。可填写多个参数。

设置mode模式为：modelarts_single
训练作业一般需要运行一段时间，根据您选择的数据量和资源不同，训练时间将耗时几分钟到几十分钟不等。在ModelArts中创建训练任务，训练脚本会自动将obs中的数据集拷贝到ModelArts容器中，数据集越大耗费时间越长。
训练作业的状态有：等待中，运行中，运行失败，已完成，终止中，已终止。

2.3监控结果

查看资源占用情况

2.4横向对比

yolov4、yolov5与yolov3操作步骤类似，结合本文的操作说明同样进行复现

3.项目总结

本文为入门modelarts和华为云平台的同学提供了一篇无门槛的项目流程，包括项目流程搭建，项目具体实现代码，还有ModeltArts的上手方法环境配置等等，在使用华为ModelArts平台的过程中我也发现了平台的优越性，具有强大的数据管理，开发管理，训练管理和模型部署管理能力，很符合现阶段AI开发的核心功能。