使用ai gallery的订阅算法实现花卉识别-九游平台

准备工作

• 注册华为账号并开通华为云、实名认证
• 配置委托访问授权
  modelarts使用过程中涉及到obs、swr、ief等服务交互，首次使用modelarts需要用户配置委托授权，允许访问这些依赖服务。

  1. 使用华为云账号登录，在左侧导航栏单击“全局配置”，进入“全局配置”页面，单击“添加授权”。
  2. 在弹出的“访问授权”窗口中，

     授权对象类型：所有用户

     委托选择：新增委托

     权限配置：普通用户

     选择完成后勾选“我已经详细阅读并同意《modelarts服务声明》”，然后单击“创建”。

  3. 完成配置后，在modelarts控制台的全局配置列表，可查看到此账号的委托配置信息。

步骤1：准备训练数据

1. 从ai gallery下载训练数据，单击链接，进入数据集详情页。
2. 选择“数据集文件”页签后，单击“下载文件”跳转至下载详情页面。
3. 在下载详情页面，填写参数。
   • 下载方式：选择“对象存储服务（obs）”
   • 目标区域：选择“华北-北京四”（即要部署服务的云服务区）
   • 目标位置：请选择一个空的obs目录，本示例为“/test-modelartsz/dataset-flower/”
     

     此处从ai gallery下载并使用数据集是限时免费的，但数据集存储在obs，从obs中读取数据需要根据obs的计费原则收费。

4. 确认无误后，单击确定。页面自动跳转到“我的数据>我的下载”页面，请耐心等待，预计5分钟左右。
5. 下载完成后，您可以单击目标位置跳转至obs桶中查看是否存在已下载的数据。

步骤2：订阅算法

1. 在ai gallery搜索“resnet_v1_50”，进入算法详情页。
2. 单击右侧的“训练 > modelarts”后，选择modelarts的云服务区域（即要部署服务的云服务区），单击“确认”，跳转至modelarts的“算法管理>我的订阅”中。

步骤3：使用订阅算法创建训练作业

算法订阅成功后，算法将呈现在“算法管理>我的订阅”中，您可以使用订阅的“resnet_v1_50”算法创建训练作业，获得模型。

1. 进入“算法管理 > 我的订阅”页面，选择订阅的“图像分类-resnet_v1_50”算法，单击操作列的“创建训练作业”。
2. 在创建训练作业页面，参考如下说明填写关键参数。
   • “创建方式>我的订阅”：系统默认选择订阅的算法，请勿随意修改。
   • “训练输入”：选择数据存储位置，然后从弹出的窗口中选择步骤1：准备训练数据中下载好的数据dataset-flower。
   • “训练输出”：选择一个obs空目录存储训练输出的模型，例如：“test-modelartsz/output-flower”。
   • “超参”：建议采用默认值。
   • “资源类型”：可以选择限时免费的gpu规格资源，如果希望训练效率更高，可以选择收费的gpu资源。
   • “计算节点个数”：建议采用默认值1。
3. 参数填写完成后，单击“提交”，根据界面提示确认规格，单击“确定”，完成训练作业创建。
4. 进入“训练管理 > 训练作业”页面，等待训练作业完成。

   训练作业运行需要几分钟时间，请耐心等待。根据经验，选择样例数据集，使用gpu资源运行，预计3分钟左右可完成。

   当训练作业的状态变更为“已完成”时，表示已运行结束。

   您可以单击训练作业名称，进入详情页面，了解训练作业的“配置信息”、“日志”、“资源占用情况”和“评估结果”等信息。您也可以在配置的“训练输出位置”对应的obs目录下获得训练生成的模型。

步骤4：创建ai应用

1. 在训练作业详情页的右上角单击“创建ai应用”，进入创建ai应用页面。

   也可以在modelarts管理控制台，选择“ai应用管理 > ai应用”，在“我的ai应用”页面，单击“创建”，进入创建ai应用页面。

2. 在创建ai应用页面，系统会自动根据上一步训练作业填写参数，参考如下说明确认关键参数。

   “元模型来源”：系统自动选择“从训练中选择”。

   “选择训练作业”：系统自动选择上一步创建的训练作业。

   “ai引擎”：系统自动写入该模型的ai引擎，无需修改。

   “推理代码”：系统自动放置推理代码到obs输出路径，无需修改。

   “部署类型”：默认选择“在线服务”。

3. 参数填写完成后，单击“立即创建”。页面自动跳转至ai应用列表页面，等待创建结果，预计2分钟左右。

   当ai应用的状态变为“正常”时，表示创建成功。

步骤5：部署为在线服务（cpu）

ai应用创建成功后，可将其部署为在线服务，在部署时可使用cpu资源。

1. 单击ai应用名称左侧的单选按钮，在列表页底部展开“版本列表”，在版本的操作列中单击“部署 > 在线服务”。
2. 在部署页面，参考如下说明填写关键参数。
   • “资源池”：选择“公共资源池”。
   • “选择ai应用及版本”：ai应用来源及版本会自动选择前面创建的ai应用。
   • “计算节点规格”：在下拉框中选择限时免费的cpu资源，如果限时免费资源售罄，建议选择收费cpu资源进行部署。
   • “计算节点个数”，默认设置为“1”。
   • 其他参数可使用默认值。
   

   选择cpu资源部署模型会收取少量费用，具体费用以界面信息为准。

   如果需要使用gpu资源部署上线，需要进入模型所在位置，即步骤3：使用订阅算法创建训练作业步骤生成的“训练输出”路径，进入“model”目录，打开并编辑“config.json”文件，将“runtime”的配置修改为modelarts支持的gpu规格，例如"runtime": "tf1.13-python3.6-gpu"。修改完成后，重新执行导入模型和部署为在线服务的操作。

3. 参数设置完成后，单击“下一步”，确认规格参数，单击“提交”，完成在线服务的部署。
4. 您可以进入“部署上线 > 在线服务”页面，等待服务部署完成，当服务状态变为“运行中”时，表示服务部署成功。预计时长2分钟左右。
5. 在线服务部署完成后，您可以单击操作列的预测，进入服务详情页的“预测”页面。
6. 在“预测”页签，单击“上传”，上传一个测试图片，单击“预测”进行预测。此处提供一个预测样例图供使用。

步骤6：清除资源

为避免产生不必要的费用，通过此示例学习订阅算法的使用后，建议您清除相关资源，避免造成资源浪费。

• 停止在线服务：在“在线服务”页面，单击对应服务操作列的“停止”。
• 删除训练作业：在“训练作业”页面，单击操作列的“删除”。
• 删除数据：前往obs，删除数据，然后删除文件夹及obs桶。