【AI实战营】02-使用ResNet50预置算法基于海量数据训练美食分类模型

ModelArts的AI市场有丰富的算法，使用这些算法，无需自己开发训练代码和推理代码，只要准备并标注好数据，就可以轻松快速训练并部署模型。

准备工作

参考此文档，完成ModelArts准备工作。包括注册华为云账号、ModelArts全局配置和OBS相关操作。

准备数据

下载数据

点击此链接，下载数据集压缩包至本地，解压，可以得到文件夹foods_recongition_23，其中的train目录是训练数据集，test目录是测试数据集。

该数据集共包含23类美食，及其部分标注数据。23类美食的种类如下所示：

美食/八宝玫瑰镜糕,
美食/凉皮,
美食/凉鱼,
美食/德懋恭水晶饼,
美食/搅团,
美食/枸杞炖银耳,
美食/柿子饼,
美食/浆水面,
美食/灌汤包,
美食/烧肘子,
美食/石子饼,
美食/神仙粉,
美食/粉汤羊血,
美食/羊肉泡馍,
美食/肉夹馍,
美食/荞面饸饹,
美食/菠菜面,
美食/蜂蜜凉粽子,
美食/蜜饯张口酥饺,
美食/西安油茶,
美食/贵妃鸡翅,
美食/醪糟,
美食/金线油塔

上传数据至OBS

在OBS Browser+中，进入刚刚创建的“华北北京四”区域的OBS桶，然后点击上传按钮，上传本地文件夹foods_recongition_23至OBS桶：

数据标注

创建数据集

点击此链接，进入ModelArts数据集。请确保区域在“华北-北京四”，本案例所有操作在“华北-北京四”。

点击页面上的“创建数据集”按钮， 创建数据集页面填写示例如下：

数据集名称：自定义

数据集输入位置：train文件夹所在的OBS路径

数据集输出位置：标注数据的输出OBS路径。需要在OBS中创建这个路径，创建方式见准备工作中的创建OBS文件夹。

标注场景：物体

标注类型：图像分类

填写完毕上述字段后，点击创建按钮。

标注数据

步骤一，进入数据集标注页面

点击数据集名称，进入刚刚创建的数据集的总览页面。

步骤二，同步数据集

点击“开始标注”按钮，进入数据集标注页面。

点击“全部”页面的“同步数据源”按钮，数据同步完成后，右上角会出现“数据同步完成”的提示。“同步数据源”按钮的位置如下图所示：

步骤三，手工标注图片

本数据集中的绝大部分图片已经标注完成，为了让大家体验数据标注的过程，留了一小部分图片没有标注。点击进入“未标注”页面，该页面展示了所有未标注的图片。

点击图片的左上角的选择框，选中图片，可以批量选择图片，然后输入标签名，可以从下拉列表中选择已有标签，然后点击“确认”按钮。如下图所示：

按照此方法标注完所有数据。

发布数据集

点击“返回数据集预览”按钮，进入数据集主页：

点击“发布”按钮，训练集比例填写0.8，发布数据集：

点击“返回数据集列表“按钮，等待数据集发布成功：

订阅算法

本实验中，我们从AI市场订阅ModelArts官方发布的图像分类算法ResNet50来训练模型。

点击进入AI市场ResNet50算法主页，点击页面右上方的按钮。然后点击页面下方的按钮，再点击按钮，最后点击按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击超链接，进入算法管理页面。

点击图像分类-ResNet_v1_50前面的小箭头，再点击“同步”按钮，同步算法，可以点击按钮，刷新状态。当状态变成就绪时，表示同步成功。

模型训练

我们使用创建的美食数据集和订阅的图像分类算法，提交一个图像分类的训练作业，训练会生成一个美食分类模型。

创建训练作业

在算法管理中，点击“创建训练作业”按钮，进入训练作业的创建页面。

按照如下提示，填写创建训练作业的参数。

计费模式：按需计费

名称：自定义

算法来源：算法管理

算法名称：图像分类-ResNet_v1_50

数据来源：数据集

选择数据集和版本：选择刚刚发布的美食数据集及其版本

训练输出：选择OBS路径/modelarts-course/food_recognition/output/（此OBS路径如果不存在，可以使用OBS客户端创建）。训练输出位置用来保存训练生成的模型。

调优参数：用于设置算法中的超参。算法会加载默认参数，但是可以更改和添加参数。设置learning_rate_strategy=20:0.001，表示训练20轮，学习率固定为0.001。其他调优参数保持默认。

作业日志路径：选择OBS路径/modelarts-course/food_recognition/log/（此OBS路径如果不存在，可以使用OBS客户端创建）。

资源池：公共资源池。

规格：V100 GPU，如图所示。

计算节点个数：选择1，表示我们运行一个单机训练任务。

所有字段填写好之后，确认参数无误，点击“下一步”按钮，然后点击“提交”按钮，开始训练。

使用V100 GPU资源，训练时长预计3分钟左右。

查看训练结果

训练作业完成后，可以查看训练作业的运行结果。

在训练作业页面，点击作业名称，进入配置信息页面。可以查看到训练作业的详情。

切换到“日志”页签，查看训练作业的训练日志，还可以下载日志到本地查看。

训练日志中会打印一些训练的精度和训练速度等信息。

查看训练作业准确率

训练生成的模型会放到训练输出位置OBS路径下，可以直接下载到本地使用。

模型部署

导入模型

点击“创建模型”按钮，创建模型。

按照如下提示，填写导入模型的字段。

名称：自定义

版本：0.0.1

元模型来源：从训练中选择

选择训练作业及版本：刚刚的训练作业及版本，会自动加载

部署类型：默认

推理代码：自动加载

其他保持默认。

点击“立即创建”按钮，开始导入模型，等待模型导入成功。

部署上线

等待模型状态为正常，然后点击部署下拉框中的“在线服务”，如下图所示：

按照如下指导填写参数：

计费模式：按需计费

名称：自定义

是否自动停止：开启，一小时后。会在1小时后自动停止该在线服务。

资源池：公共资源池。如果您购买了专属资源池，也可以选择专属资源池部署。

模型来源：我的模型

模型：选择刚刚导入美食分类的模型和版本，会自动加载。

计算节点规格：选择CPU：2 核 8 GiB，CPU实例。

计算节点个数：1。如果想要更高的并发数，可以增加计算节点个数，会以多实例的方式部署。

填写好所有参数，点击“下一步”按钮，然后点击“提交”按钮，最后点击查看服务详情。状态栏会显示部署进度，大概3分钟左右会部署完成。

在线服务测试

在线服务的本质是RESTful API，可以通过HTTP请求访问，在本案例中，我们直接在网页上访问在线服务。

等待在线服务的状态变成运行中。

切换到“预测”页签。点击上传按钮，上传本地的foods_recongition_23\test目录中的图片，然后点击“预测”按钮，进行测试：

预测结果会出现在右边的输出框：

预测结果中的scores字段，包含了图片为每种类别的置信度。

也可以从网上下载23种美食范围内的图片来测试，评估模型的准确度。

作为在线RESTful API，还可以通过HTTP请求访问，在调用指南页签中有该API的详细信息和调用指南文档。

关闭在线服务

为了避免持续扣费，案例完成后，需要关闭在线服务，点击“停止”按钮即可：

当需要使用该在线服务的时候，可以重新启动该在线服务。

确认关闭所有计费项

点击此链接，进入ModelArts总览页面，如果所有计费中的数字都是0，表示所有计费项都关闭了。

至此，该案例完成。

总结