摘要

DAMODEL（丹摩智算）是专为AI打造的智算云，致力于提供丰富的算力资源与基础设施助力AI应用的开发、训练、部署。

官网链接：https://damodel.com/register?source=6B008AA9

宠粉抽奖🎁国产3A游戏《黑神话：悟空》🎮❗

🎁活动奖品：《黑神话：悟空》+丹摩平台算力代金券
🗓活动时间：8月20日-8月24日
✨开奖时间：两波开奖！
第一波：8月21日20:00 《黑神话：悟空》标准版
第二波：8月24日20:00 《黑神话：悟空》数字豪华版
👍‼规则：
点击专属链接注册：https://damodel.com/register?source=22A82B61

平台的优势

  • 💡 超友好！

配备124G大内存和100G大空间系统盘，一键部署，三秒启动，让AI开发从未如此简单！

  • 💡 资源多！

从入门级到专业级GPU全覆盖，无论初级开发还是高阶应用，你的需求，我们统统Cover！

  • 💡 性能强！

自建IDC，全新GPU，每一位开发者都能体验到顶级的计算性能和专属服务，大平台值得信赖！

  • 💡 超实惠！

超低价格体验优质算力服务，注册即送优惠券！还有各类社区优惠活动，羊毛薅不停！

支持的GPU

不仅有常用的RTX 4090，还有 H800 PCle和H800 SXM这样的高端GPU，这些都是国内买不到的！

显卡显存-GB内存-GB/卡CPU-核心/卡存储简介
RTX 4090246011100G系统盘
50G数据盘		性价比配置，推荐入门用户选择，适合模型推理场景
RTX 40902412415100G系统盘
50G数据盘		性价比配置，推荐入门用户与专业用户选择，适合模型推理场景
H800 SXM8025227100G系统盘
50G数据盘		顶级配置，推荐专业用户选择，适合模型训练与模型推理场景
H800 PCle8012421100G系统盘
50G数据盘		顶级配置，推荐专业用户选择，适合模型训练与模型推理场景
L40S4812421100G系统盘
50G数据盘		专业级配置，推荐专业用户选择，适合模型训练与模型推理场景
P4024126100G系统盘
50G数据盘		性价比配置，推荐入门用户选择，适合模型推理场景

制作数据集

Labelme数据集

数据集选用我以前自己标注的数据集。下载链接：
https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/63242994
类别如下： [‘c17’, ‘c5’, ‘helicopter’, ‘c130’, ‘f16’, ‘b2’,
‘other’, ‘b52’, ‘kc10’, ‘command’, ‘f15’, ‘kc135’, ‘a10’,
‘b1’, ‘aew’, ‘f22’, ‘p3’, ‘p8’, ‘f35’, ‘f18’, ‘v22’, ‘f4’,
‘globalhawk’, ‘u2’, ‘su-27’, ‘il-38’, ‘tu-134’, ‘su-33’,
‘an-70’, ‘su-24’, ‘tu-22’, ‘il-76’]

格式转换

将Lableme数据集转为yolov8格式的数据集，转换代码如下：

import os
import shutil

import numpy as np
import json
from glob import glob
import cv2
from sklearn.model_selection import train_test_split
from os import getcwd


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


def change_2_yolo5(files, txt_Name):
    imag_name=[]
    for json_file_ in files:
        json_filename = labelme_path + json_file_ + ".json"
        out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')
        json_file = json.load(open(json_filename, "r", encoding="utf-8"))
        # image_path = labelme_path + json_file['imagePath']
        imag_name.append(json_file_+'.jpg')
        height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape
        for multi in json_file["shapes"]:
            points = np.array(multi["points"])
            xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0
            xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0
            ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0
            ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0
            label = multi["label"].lower()
            if xmax <= xmin:
                pass
            elif ymax <= ymin:
                pass
            else:
                cls_id = classes.index(label)
                b = (float(xmin), float(xmax), float(ymin), float(ymax))
                bb = convert((width, height), b)
                out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
                # print(json_filename, xmin, ymin, xmax, ymax, cls_id)
    return imag_name

def image_txt_copy(files,scr_path,dst_img_path,dst_txt_path):
    """
    :param files: 图片名字组成的list
    :param scr_path: 图片的路径
    :param dst_img_path: 图片复制到的路径
    :param dst_txt_path: 图片对应的txt复制到的路径
    :return:
    """
    for file in files:
        img_path=scr_path+file
        print(file)
        shutil.copy(img_path, dst_img_path+file)
        scr_txt_path=scr_path+file.split('.')[0]+'.txt'
        shutil.copy(scr_txt_path, dst_txt_path + file.split('.')[0]+'.txt')


if __name__ == '__main__':
    classes = ['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2',
               'other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10',
               'b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4',
               'globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33',
               'an-70', 'su-24', 'tu-22', 'il-76']

    # 1.标签路径
    labelme_path = "USA-Labelme/"
    isUseTest = True  # 是否创建test集
    # 3.获取待处理文件
    files = glob(labelme_path + "*.json")

    files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]
    for i in files:
        print(i)
    trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)
    # split
    train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
    train_name_list=change_2_yolo5(train_files, "train")
    print(train_name_list)
    val_name_list=change_2_yolo5(val_files, "val")
    test_name_list=change_2_yolo5(test_files, "test")
    #创建数据集文件夹。
    file_List = ["train", "val", "test"]
    for file in file_List:
        if not os.path.exists('./VOC/images/%s' % file):
            os.makedirs('./VOC/images/%s' % file)
        if not os.path.exists('./VOC/labels/%s' % file):
            os.makedirs('./VOC/labels/%s' % file)
    image_txt_copy(train_name_list,labelme_path,'./VOC/images/train/','./VOC/labels/train/')
    image_txt_copy(val_name_list, labelme_path, './VOC/images/val/', './VOC/labels/val/')
    image_txt_copy(test_name_list, labelme_path, './VOC/images/test/', './VOC/labels/test/')

运行完成后就得到了yolov8格式的数据集。
在这里插入图片描述

本地调试

在官网上下载YoloV8，GitHub链接： GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite 或者直接执行命令pip install ultralytics，如果你打算修改模型，或者二次创新，不建议使用安装命令安装。

下载到本地后解压，将生成的yolo数据集放到datasets（需要创建datasets文件夹）文件夹下面，如下图：
在这里插入图片描述
安装必要的库文件，安装命令：

pip install opencv-python
pip install numpy==1.23.5
pip install pyyaml
pip install tqdm
pip install matplotlib

上面这些安装命令，缺哪些就安装哪些，注意numpy的版本，如果是2.0以上版本一定要把版本降下来。

然后在根目录新建VOC.yaml文件，如下图:
在这里插入图片描述

添加内容：

train: ./VOC/images/train # train images
val: ./VOC/images/val # val images
test: ./VOC/images/test # test images (optional)

names: ['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2',
    'other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10',
    'b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4',
    'globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33',
    'an-70', 'su-24', 'tu-22', 'il-76']

然后新建train.py，如下图：
在这里插入图片描述

在train.py添加代码：

from ultralytics import YOLO
if __name__ == '__main__':
    # 加载模型
    model = YOLO("ultralytics/cfg/models/v8/yolov8l.yaml")  # 从头开始构建新模型
    print(model.model)

    # Use the model
    results = model.train(data="VOC.yaml", epochs=100, device='0', batch=16,workers=0)  # 训练模型

然后就可以看是训练了，点击run开始运行train.py。
在这里插入图片描述

基于丹摩智算的训练

创建账号，登录官网后，就可以看到主页面了。
在这里插入图片描述
点击GPU云实例，然后再点击创建实例，进入创建实例的页面。

在这里插入图片描述

付费类型：可以选择按量付费，也可以选择包日，包月等。根据自己的需求选择。
实例配置：可以选择GPU的数量，CPU的核数等信息来筛选列表的中配置。

选择具体的配置后，配置合适容量的数据盘。

在已选配置栏中，可以看到目前的详细配置信息。

在这里插入图片描述
接下来选择镜像，目前主流平台的框架都是支持的，选择Pytorch，就可以看到Pytorch的镜像信息。

在这里插入图片描述
点击创建密钥对，弹出创建密钥的窗口，创建密钥或者导入公钥！
在这里插入图片描述
点击立即创建就可以创建实例了。

在这里插入图片描述

我创建了一个P40的实例，因为4090被抢没了！等待一会就可以了！
在这里插入图片描述
创建好后，点击 JupyterLab 进入控制台。
在这里插入图片描述
将我们刚才创建的工程压缩成zip的压缩包，等待上传。
在这里插入图片描述

在这里插入图片描述
点击，文件夹样子的标签，进入根目录，然后点击↑，进入上传文件的页面。

在这里插入图片描述
选择文件，点击打开。
在这里插入图片描述

在这里插入图片描述
上传完成后，点击Terminal，就可以进入我们熟悉的命令行界面。
在这里插入图片描述
输入ls，就可以看到我们刚才上传的压缩包！

然后，输入：

unzip ultralytics-main.zip

解压文件，如下图：

在这里插入图片描述

解压后就可以在左侧的目录中看到解压后的文件夹。点击进入。

在这里插入图片描述
点击train.py，Open With→Editor。

在这里插入图片描述
打开train.py后就可以修改train.py里面的参数了。

安装YoloV8运行所需要的库：

pip install opencv-python

在这里插入图片描述
如果遇到ImportError: libGL.so.1: cannot open shared object file: No such file or direc，这样的错误，需要安装：

pip install opencv-python-headless

pip install pyyaml
pip install tqdm
pip install matplotlib
pip install pandas

如果遇到有些苦文件下载不下来，可以尝试设置源，命令：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

在这里插入图片描述
然后，执行命令，python train.py就可以运行了.

测试

test.py代码如下：

from ultralytics import YOLO


if __name__ == '__main__':
    # Load a model
    # model = YOLO('yolov8m.pt')  # load an official model
    model = YOLO('runs/detect/train/weights/best.pt')  # load a custom model
    results = model.predict(source="ultralytics/assets", device='0')  # predict on an image
    print(results)

在这里插入图片描述
执行测试，就可以测试图片了。

问题

在运行过程中卡死的问题

我在第二次测试的时候，遇到了卡死的情况。后来新建了python3.9的环境，安装了cuda11.3版本。切换到python3.9的虚拟环境，过了一段时间开始运行了。如果大家遇到卡死的情况，可以尝试更换版本。并将问题反映给官方，查一下问题。

优惠活动

h800上线了，全场最低价，链接：https://damodel.com/register?source=6B008AA9
在这里插入图片描述

# 人工智能 # 机器学习
Logo
尧米AI

尧米是由西云算力与CSDN联合运营的AI算力和模型开源社区品牌，为基于DaModel智算平台的AI应用企业和泛AI开发者提供技术交流与成果转化平台。

更多推荐

cover

FLUX Pro：Flux最强闭源模型,无需4090在线即可享受超强美学艺术创作,任意无限比例直出

avatar 尧米AI
cover

【实战】YoloV8-训练与测试

avatar 尧米AI
cover

宠粉！黑神话悟空送送送！

avatar 尧米AI