이 문서에서는 RetinaNet 객체 감지 모델의 구현을 설명합니다. 코드는 GitHub에서 제공됩니다.
아래에 안내되어 있는 내용은 개발자가 Cloud TPU에서 모델을 익숙하게 실행할 수 있다고 가정합니다. Cloud TPU를 처음 사용한다면 빠른 시작에서 기본적인 정보를 먼저 살펴보세요.
TPU Pod 슬라이스에서 학습시키려면 TPU Pod에서 학습을 살펴보고 포드 슬라이스에 필요한 매개변수 변경을 확인하세요.
목표
- COCO 데이터 세트 준비
- 데이터 세트와 모델 출력을 저장할 Cloud Storage 버킷 만들기
- 학습 및 평가에 TPU 리소스 설정
- 단일 Cloud TPU 또는 Cloud TPU Pod에서 학습 및 평가 실행
비용
이 문서에서는 비용이 청구될 수 있는 다음과 같은 Google Cloud 구성요소를 사용합니다.
- Compute Engine
- Cloud TPU
- Cloud Storage
프로젝트 사용량을 기준으로 예상 비용을 산출하려면 가격 계산기를 사용하세요.
시작하기 전에
이 튜토리얼을 시작하기 전에 Google Cloud 프로젝트가 올바르게 설정되었는지 확인하세요.
- Google Cloud 계정에 로그인합니다. Google Cloud를 처음 사용하는 경우 계정을 만들고 Google 제품의 실제 성능을 평가해 보세요. 신규 고객에게는 워크로드를 실행, 테스트, 배포하는 데 사용할 수 있는 $300의 무료 크레딧이 제공됩니다.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
이 둘러보기에서는 비용이 청구될 수 있는 Google Cloud 구성요소를 사용합니다. 예상 비용은 Cloud TPU 가격 책정 페이지에서 확인하세요. 리소스 사용을 마쳤으면 불필요한 비용이 청구되지 않도록 생성한 리소스를 삭제하세요.
COCO 데이터 세트 준비
이 튜토리얼에는 COCO 데이터 세트가 사용됩니다. 데이터 세트는 학습에 사용되기 위해 Cloud Storage 버킷에서 TFRecord 형식이어야 합니다.
COCO 데이터 세트가 모델 학습에 사용할 영역에 위치한 Cloud Storage 버킷에 이미 준비된 경우 단일 기기 학습으로 곧장 이동할 수 있습니다. 그렇지 않으면 다음 순서에 따라 데이터 세트를 준비합니다.
Cloud Shell 창을 엽니다.
Cloud Shell에서 프로젝트 ID로
gcloud를 구성합니다.export PROJECT_ID=project-id gcloud config set project ${PROJECT_ID}
Cloud Shell에서 다음 명령어를 사용하여 Cloud Storage 버킷을 만듭니다.
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
Compute Engine VM 인스턴스를 시작합니다.
이 VM 인스턴스는 COCO 데이터 세트를 다운로드하고 사전 처리하기 위해서만 사용됩니다. instance-name에 선택한 이름을 입력합니다.
$ gcloud compute tpus execution-groups create \ --vm-only \ --name=instance-name \ --zone=europe-west4-a \ --disk-size=300 \ --machine-type=n1-standard-16 \ --tf-version=2.12.0
명령어 플래그 설명
vm-only- VM만 만듭니다. 기본적으로
gcloud compute tpus execution-groups명령어는 VM과 Cloud TPU를 생성합니다. name- 생성할 Cloud TPU의 이름입니다.
zone- Cloud TPU를 만들려는 영역입니다.
disk-sizegcloud compute tpus execution-groups명령어로 생성한 VM의 하드 디스크 크기(GB)입니다.machine-type- 생성할 Compute Engine VM의 머신 유형입니다.
tf-version- Tensorflow
gcloud compute tpus execution-groups버전이 VM에 설치됩니다.
Compute Engine 인스턴스에 자동으로 로그인되지 않으면 다음
ssh명령어를 실행하여 로그인합니다. VM에 로그인하면 셸 프롬프트가username@projectname에서username@vm-name으로 변경됩니다.$ gcloud compute ssh instance-name --zone=europe-west4-a
앞에서 만든 스토리지 버킷용 변수와 스토리지 버킷에 학습 데이터(DATA_DIR)가 포함된 디렉터리용 변수를 설정합니다.
(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
데이터를 사전 처리하는 데 필요한 패키지를 설치합니다.
(vm)$ sudo apt-get install -y python3-tk && \ pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow && \ pip3 install --user "git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI"
download_and_preprocess_coco.sh스크립트를 실행하여 COCO 데이터 세트를 학습 애플리케이션에 필요한 TFRecords(*.tfrecord) 집합으로 변환합니다.(vm)$ git clone https://github.com/tensorflow/tpu.git (vm)$ sudo bash tpu/tools/datasets/download_and_preprocess_coco.sh ./data/dir/coco
그러면 필수 라이브러리가 설치된 후 사전 처리 스크립트가 실행됩니다. 이 스크립트는 로컬 데이터 디렉터리의
*.tfrecord파일 수를 출력합니다. COCO 다운로드 및 변환 스크립트는 완료되는 데 약 1시간 정도 걸립니다.Cloud Storage 버킷에 데이터 복사
데이터를 TFRecord로 변환한 후
gsutil명령어를 사용하여 로컬 스토리지에서 Cloud Storage 버킷으로 복사합니다. 주석 파일도 복사해야 합니다. 이 파일은 모델의 성능을 검증하는 데 유용합니다.(vm)$ gsutil -m cp ./data/dir/coco/*.tfrecord ${DATA_DIR} (vm)$ gsutil cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
VM 리소스 삭제
COCO 데이터 세트가 TFRecords로 변환되고 Cloud Storage 버킷의 DATA_DIR에 복사되면 Compute Engine 인스턴스를 삭제할 수 있습니다.
Compute Engine 인스턴스에서 연결을 해제합니다.
(vm)$ exit
프롬프트가
username@projectname으로 바뀌면 Cloud Shell에 있는 것입니다.Compute Engine 인스턴스 삭제
$ gcloud compute instances delete instance-name --zone=europe-west4-a
Cloud TPU 단일 기기 학습
Cloud Shell 창을 엽니다.
프로젝트 ID의 변수를 만듭니다.
export PROJECT_ID=project-id
Cloud TPU를 만들려는 위치의 프로젝트가 사용되도록 Google Cloud CLI를 구성합니다.
gcloud config set project ${PROJECT_ID}
새 Cloud Shell VM에서 이 명령어를 처음 실행하면
Authorize Cloud Shell페이지가 표시됩니다. 페이지 하단에 있는Authorize를 클릭하여gcloud에서 사용자 인증 정보로 Google Cloud API를 호출하도록 허용합니다.Cloud TPU 프로젝트의 서비스 계정을 만듭니다.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
이 명령어는 다음 형식의 Cloud TPU 서비스 계정을 반환합니다.
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
다음 명령어를 사용하여 Cloud Storage 버킷을 만듭니다.
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
이 Cloud Storage 버킷은 사용자가 모델 및 학습 결과를 학습시키기 위해 사용하는 데이터를 저장합니다. 이 튜토리얼에서 사용하는 TPU 설정을 위한
gcloud명령어는 이전 단계에서 설정한 Cloud TPU 서비스 계정에 대한 기본 권한도 설정합니다. 권한을 더 세분화해야 하는 경우 액세스 수준 권한을 참조하세요.
Cloud TPU 설정 및 시작
Compute Engine VM 및 Cloud TPU를 실행하려면
gcloud명령어를 사용합니다. 사용하는 명령어는 TPU VM과 TPU 노드 중 무엇을 사용하는지에 따라 다릅니다. 두 가지 VM 아키텍처에 관한 자세한 내용은 시스템 아키텍처를 참조하세요.TPU VM
$ gcloud compute tpus tpu-vm create retinanet-tutorial \ --zone=europe-west4-a \ --accelerator-type=v3-8 \ --version=tpu-vm-tf-2.16.1-pjrt
TPU 노드
$ gcloud compute tpus execution-groups create \ --zone=europe-west4-a \ --name=retinanet-tutorial \ --accelerator-type=v3-8 \ --machine-type=n1-standard-8 \ --disk-size=300 \ --tf-version=2.12.0
gcloud명령어에 대한 자세한 내용은 gcloud 참조를 확인하세요.Compute Engine 인스턴스에 자동으로 로그인되지 않으면 다음
ssh명령어를 실행하여 로그인합니다. VM에 로그인하면 셸 프롬프트가username@projectname에서username@vm-name으로 변경됩니다.TPU VM
gcloud compute tpus tpu-vm ssh retinanet-tutorial --zone=europe-west4-a
TPU 노드
gcloud compute ssh retinanet-tutorial --zone=europe-west4-a
안내를 계속 따르면서
(vm)$으로 시작하는 각 명령어를 VM 세션 창에서 실행합니다.추가 패키지 설치
RetinaNet 학습 애플리케이션에는 여러 추가 패키지가 필요합니다. 다음 명령어를 사용하여 바로 설치합니다.
(vm)$ sudo apt-get install -y python3-tk
(vm)$ pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow
(vm)$ pip3 install --user 'git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI'
TensorFlow 요구사항을 설치합니다.
TPU VM
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
TPU 노드
(vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt
Cloud TPU 이름 변수를 설정합니다.
TPU VM
(vm)$ export TPU_NAME=local
TPU 노드
(vm)$ export TPU_NAME=retinanet-tutorial
데이터 및 모델 디렉터리에 환경 변수를 추가합니다.
(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/retinanet-train
PYTHONPATH환경 변수를 설정합니다.TPU VM
(vm)$ export PYTHONPATH="${PWD}/models:${PYTHONPATH}"
TPU 노드
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
TPU를 만들 때
--version매개변수를-pjrt로 끝나는 버전으로 설정한 경우 다음 환경 변수를 설정하여 PJRT 런타임을 사용 설정합니다.(vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
모델을 저장하는 디렉터리로 변경합니다.
TPU VM
(vm)$ cd /usr/share/tpu/models/official/legacy/detection
TPU 노드
(vm)$ cd /usr/share/models/official/legacy/detection
단일 Cloud TPU 기기 학습
다음 학습 스크립트는 Cloud TPU v3-8에서 실행됩니다. Cloud TPU v2-8에서 실행해도 되지만 시간이 좀 더 걸릴 수 있습니다.
아래의 샘플 스크립트는 10단계만 학습하며 v3-8 TPU 노드에서 실행하는 데 5분도 걸리지 않습니다. Cloud TPU v3-8 TPU에서 수렴을 학습하는 데에는 약 22,500단계와 약 1.5시간이 걸립니다.
다음 환경 변수를 설정합니다.
(vm)$ export RESNET_CHECKPOINT=gs://cloud-tpu-checkpoints/retinanet/resnet50-checkpoint-2018-02-07 (vm)$ export TRAIN_FILE_PATTERN=${DATA_DIR}/train-* (vm)$ export EVAL_FILE_PATTERN=${DATA_DIR}/val-* (vm)$ export VAL_JSON_FILE=${DATA_DIR}/instances_val2017.json
학습 스크립트를 실행합니다.
(vm)$ python3 main.py \ --strategy_type=tpu \ --tpu=${TPU_NAME} \ --model_dir=${MODEL_DIR} \ --mode="train" \ --params_override="{ type: retinanet, train: { total_steps: 10, checkpoint: { path: ${RESNET_CHECKPOINT}, prefix: resnet50/ }, train_file_pattern: ${TRAIN_FILE_PATTERN} }, eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}, eval_samples: 5000 } }"
명령어 플래그 설명
strategy_type- TPU에서 RetinaNet 모델을 학습시키려면
distribution_strategy를tpu로 설정해야 합니다. tpu- Cloud TPU의 이름입니다.
TPU_NAME환경 변수를 사용하여 설정합니다. model_dir- 학습 중에 체크포인트와 요약이 저장되는 Cloud Storage 버킷입니다. 기존 폴더를 사용하면 동일한 크기 및 TensorFlow 버전의 TPU에 생성되어 있는 이전에 생성된 체크포인트를 로드할 수 있습니다.
mode- 모델을 학습시키려면
train으로 설정하고 모델을 평가하려면eval로 설정합니다. params_override- 기본 스크립트 매개변수를 재정의하는 JSON 문자열입니다. 스크립트 매개변수에 대한 자세한 내용은
/usr/share/models/official/legacy/detection/main.py를 참조하세요.
이 모델은 v3-8 TPU에서 약 5분 동안 10단계를 학습합니다. 학습이 완료되면 다음과 비슷한 출력이 표시됩니다.
Train Step: 10/10 / loss = {
'total_loss': 2.4581615924835205,
'cls_loss': 1.4098565578460693,
'box_loss': 0.012001709081232548,
'model_loss': 2.0099422931671143,
'l2_regularization_loss': 0.44821977615356445,
'learning_rate': 0.008165999
}
/ training metric = {
'total_loss': 2.4581615924835205,
'cls_loss': 1.4098565578460693,
'box_loss': 0.012001709081232548,
'model_loss': 2.0099422931671143,
'l2_regularization_loss': 0.44821977615356445,
'learning_rate': 0.008165999
}단일 Cloud TPU 기기 평가
다음 절차에서는 COCO 평가 데이터를 사용합니다. v3-8 TPU에서 평가 단계가 실행되는 데 약 10분이 소요됩니다.
다음 환경 변수를 설정합니다.
(vm)$ export EVAL_SAMPLES=5000
평가 스크립트를 실행합니다.
(vm)$ python3 main.py \ --strategy_type=tpu \ --tpu=${TPU_NAME} \ --model_dir=${MODEL_DIR} \ --checkpoint_path=${MODEL_DIR} \ --mode=eval_once \ --params_override="{ type: retinanet, eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}, eval_samples: ${EVAL_SAMPLES} } }"
명령어 플래그 설명
strategy_type- 사용할 배포 전략입니다.
tpu또는multi_worker_gpu입니다. tpu- Cloud TPU의 이름입니다.
TPU_NAME환경 변수를 사용하여 설정합니다. model_dir- 학습 중에 체크포인트와 요약이 저장되는 Cloud Storage 버킷입니다. 기존 폴더를 사용하면 동일한 크기 및 TensorFlow 버전의 TPU에 생성되어 있는 이전에 생성된 체크포인트를 로드할 수 있습니다.
modetrain,eval,train_and_eval중 하나입니다.params_override- 기본 스크립트 매개변수를 재정의하는 JSON 문자열입니다. 스크립트 매개변수에 대한 자세한 내용은
/usr/share/models/official/legacy/detection/main.py를 참조하세요.
평가가 종료되면 다음과 비슷한 메시지가 콘솔에 표시됩니다.
Accumulating evaluation results... DONE (t=7.66s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000
이제 단일 기기 학습 및 평가가 완료되었습니다. 다음 단계를 수행하여 현재 단일 기기 TPU 리소스를 삭제합니다.
Compute Engine 인스턴스에서 연결을 해제합니다.
(vm)$ exit
프롬프트가
username@projectname으로 바뀌면 Cloud Shell에 있는 것입니다.TPU 리소스를 삭제합니다.
TPU VM
$ gcloud compute tpus tpu-vm delete retinanet-tutorial \ --zone=europe-west4-a
명령어 플래그 설명
zone- Cloud TPU가 있는 영역입니다.
TPU 노드
$ gcloud compute tpus execution-groups delete retinanet-tutorial \ --tpu-only \ --zone=europe-west4-a
명령어 플래그 설명
tpu-only- Cloud TPU만 삭제합니다. VM을 계속 사용할 수 있습니다.
zone- 삭제할 TPU가 포함된 영역입니다.
여기에서는 이 튜토리얼을 마무리하고 삭제하거나 Cloud TPU 포드에서 모델 실행을 살펴볼 수 있습니다.
Cloud TPU Pod로 모델 확장
Cloud TPU Pod에서 모델을 학습시키려면 학습 스크립트를 변경해야 할 수 있습니다. 자세한 내용은 TPU Pod에서 학습을 참조하세요.
TPU Pod에서 Retinanet 학습
Cloud Shell 창을 엽니다.
프로젝트 ID의 변수를 만듭니다.
export PROJECT_ID=project-id
Cloud TPU를 만들려는 위치의 프로젝트가 사용되도록 Google Cloud CLI를 구성합니다.
gcloud config set project ${PROJECT_ID}
새 Cloud Shell VM에서 이 명령어를 처음 실행하면
Authorize Cloud Shell페이지가 표시됩니다. 페이지 하단에 있는Authorize를 클릭하여gcloud에서 사용자 인증 정보로 Google Cloud API를 호출하도록 허용합니다.Cloud TPU 프로젝트의 서비스 계정을 만듭니다.
서비스 계정은 Cloud TPU 서비스가 다른 Google Cloud 서비스에 액세스하도록 허용합니다.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
이 명령어는 다음 형식의 Cloud TPU 서비스 계정을 반환합니다.
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
다음 명령어를 사용하여 Cloud Storage 버킷을 만들거나 앞에서 프로젝트에 만든 버킷을 사용합니다.
다음 명령어에서 europe-west4를 학습 실행에 사용할 리전 이름으로 바꿉니다. bucket-name을 버킷에 할당하려는 이름으로 바꿉니다.
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name
이 Cloud Storage 버킷은 사용자가 모델 및 학습 결과를 학습시키기 위해 사용하는 데이터를 저장합니다. 이 튜토리얼에서 사용하는
gcloud명령어는 이전 단계에서 설정한 Cloud TPU 서비스 계정에 대한 기본 권한을 설정합니다. 권한을 더 세분화해야 하는 경우 액세스 수준 권한을 참조하세요.버킷 위치는 TPU 리소스와 동일한 리전에 있어야 합니다.
이전에 COCO 데이터 세트를 준비하고 스토리지 버킷으로 이동한 경우에는 포드 학습에 다시 사용할 수 있습니다. COCO 데이터 세트를 아직 준비하지 않은 경우 지금 준비하시고 여기로 돌아와 학습을 설정하세요.
Cloud TPU Pod 설정 및 실행
이 튜토리얼에서는 v3-32 포드를 지정합니다. 다른 포드 옵션은 TPU 버전을 참조하세요.
TPU VM
gcloud compute tpus tpu-vm명령어를 사용하여 TPU VM 포드를 시작합니다. 이 튜토리얼에서는 v3-32 포드를 지정합니다.$ gcloud compute tpus tpu-vm create retinanet-tutorial \ --zone=europe-west4-a \ --accelerator-type=v3-32 \ --version=tpu-vm-tf-2.16.1-pod-pjrt
TPU 노드
gcloud compute tpus execution-groups명령어를 실행하고accelerator-type매개변수로 사용하려는 포드 슬라이스를 지정합니다. 예를 들어 다음 명령어는 v3-32 포드 슬라이스를 사용합니다.$ gcloud compute tpus execution-groups create \ --zone=europe-west4-a \ --name=retinanet-tutorial \ --accelerator-type=v3-32 \ --machine-type=n1-standard-8 \ --disk-size=300 \ --tf-version=2.12.0
Compute Engine 인스턴스에 자동으로 로그인되지 않으면 다음
ssh명령어를 실행하여 로그인합니다. VM에 로그인하면 셸 프롬프트가username@projectname에서username@vm-name으로 변경됩니다.TPU VM
gcloud compute tpus tpu-vm ssh retinanet-tutorial --zone=europe-west4-a
TPU 노드
gcloud compute ssh retinanet-tutorial --zone=europe-west4-a
Cloud TPU 이름 변수를 설정합니다.
(vm)$ export TPU_NAME=retinanet-tutorial
Cloud Storage 버킷 변수 설정
bucket-name을 Cloud Storage 버킷 이름으로 바꿔 다음 환경 변수를 설정합니다.
(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/retinanet-train (vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
학습 애플리케이션을 사용하려면 Cloud Storage에서 학습 데이터에 액세스할 수 있어야 합니다. 학습 애플리케이션 역시 학습 도중 Cloud Storage 버킷을 사용하여 체크포인트를 저장합니다.
추가 패키지 설치
RetinaNet 학습 애플리케이션에는 여러 추가 패키지가 필요합니다. 다음 명령어를 사용하여 바로 설치합니다.
(vm)$ sudo apt-get install -y python3-tk (vm)$ pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow (vm)$ pip3 install --user 'git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI'
TensorFlow 요구사항을 설치합니다.
TPU VM
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
TPU 노드
(vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt
필수 환경 변수를 설정합니다.
(vm)$ export RESNET_PRETRAIN_DIR=gs://cloud-tpu-checkpoints/retinanet/resnet50-checkpoint-2018-02-07 (vm)$ export TRAIN_FILE_PATTERN=${DATA_DIR}/train-* (vm)$ export EVAL_FILE_PATTERN=${DATA_DIR}/val-* (vm)$ export VAL_JSON_FILE=${DATA_DIR}/instances_val2017.json
PYTHONPATH환경 변수를 설정합니다.TPU VM
(vm)$ export PYTHONPATH="${PWD}/models:${PYTHONPATH}" (vm)$ export TPU_LOAD_LIBRARY=0
TPU 노드
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
모델을 저장하는 디렉터리로 변경합니다.
TPU VM
(vm)$ cd /usr/share/tpu/models/official/legacy/detection
TPU 노드
(vm)$ cd /usr/share/models/official/legacy/detection
모델 학습
TPU VM
(vm)$ python3 main.py \ --strategy_type=tpu \ --tpu=${TPU_NAME} \ --model_dir=${MODEL_DIR} \ --mode=train \ --model=retinanet \ --params_override="{architecture: {use_bfloat16: true}, eval: {batch_size: 40, eval_file_pattern: ${EVAL_FILE_PATTERN}, val_json_file: ${VAL_JSON_FILE}}, postprocess: {pre_nms_num_boxes: 1000}, predict: {batch_size: 40}, train: {batch_size: 256, checkpoint: {path: ${RESNET_PRETRAIN_DIR}, prefix: resnet50/}, iterations_per_loop: 5000, total_steps: 5625, train_file_pattern: ${TRAIN_FILE_PATTERN}, } }"
명령어 플래그 설명
tpu- TPU의 이름입니다.
model_dir- 모델 학습 중에 체크포인트와 요약이 저장되는 디렉터리를 지정합니다. 폴더가 없는 경우에는 프로그램이 폴더를 만듭니다. Cloud TPU를 사용할 때
model_dir은 Cloud Storage 경로(gs://...)여야 합니다. 이전 체크포인트가 동일한 크기 및 TensorFlow 버전의 Cloud TPU를 사용하여 생성되어 있는 한 기존 폴더를 다시 사용하여 현재 체크포인트 데이터를 로드하고 추가 체크포인트를 저장할 수 있습니다. params_override- 기본 스크립트 매개변수를 재정의하는 JSON 문자열입니다. 스크립트 매개변수에 대한 자세한 내용은
/usr/share/tpu/models/official/legacy/detection/main.py를 참조하세요.
이 절차에서는 5625 학습 단계에 대해 COCO 데이터 세트에서 모델을 학습합니다. 이 학습은 v3-32 Cloud TPU에서 약 20분 정도 걸립니다. 학습이 완료되면 다음과 유사한 메시지가 표시됩니다.
TPU 노드
다음 샘플 학습 스크립트는 Cloud TPU v3-32 포드에서 실행되었습니다. 10단계만 학습하며 실행하는 데 5분도 걸리지 않습니다. v3-32 TPU Pod에서 수렴을 학습하는 데에는 2,109단계가 필요하며 약 50분이 소요됩니다.
(vm)$ python3 main.py \ --strategy_type=tpu \ --tpu=${TPU_NAME} \ --model_dir=${MODEL_DIR} \ --mode="train" \ --params_override="{ type: retinanet, train: { total_steps: 10, batch_size: 256, checkpoint: { path: ${RESNET_CHECKPOINT}, prefix: resnet50/ }, train_file_pattern: ${TRAIN_FILE_PATTERN} }, eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}, eval_samples: 5000 } }"
명령어 플래그 설명
strategy_type- 사용할 배포 전략입니다.
tpu또는multi_worker_gpu입니다. tpu- Cloud TPU의 이름을 지정합니다.
TPU_NAME환경 변수를 사용하여 설정합니다. model_dir- 학습 중에 체크포인트와 요약이 저장되는 Cloud Storage 버킷입니다. 기존 폴더를 사용하면 동일한 크기 및 TensorFlow 버전의 TPU에 생성되어 있는 이전에 생성된 체크포인트를 로드할 수 있습니다.
modetrain,eval,train_and_eval중 하나입니다.params_override- 기본 스크립트 매개변수를 재정의하는 JSON 문자열입니다. 스크립트 매개변수에 대한 자세한 내용은
/usr/share/models/official/legacy/detection/main.py를 참조하세요.
학습이 완료되면 다음과 유사한 메시지가 표시됩니다.
TPU VM
Train Step: 5625/5625 / loss = {'total_loss': 0.730501651763916,
'cls_loss': 0.3229793608188629, 'box_loss': 0.003082591574639082,
'model_loss': 0.4771089553833008, 'l2_regularization_loss': 0.2533927261829376,
'learning_rate': 0.08} / training metric = {'total_loss': 0.730501651763916,
'cls_loss': 0.3229793608188629, 'box_loss': 0.003082591574639082,
'model_loss': 0.4771089553833008, 'l2_regularization_loss': 0.2533927261829376,
'learning_rate': 0.08} TPU 노드
Train Step: 10/10 / loss = {'total_loss': 3.5455241203308105,
'cls_loss': 1.458828330039978, 'box_loss': 0.01220895815640688,
'model_loss': 2.0692763328552246, 'l2_regularization_loss': 1.4762479066848755,
'learning_rate': 0.008165999} / training metric = {'total_loss': 3.5455241203308105,
'cls_loss': 1.458828330039978, 'box_loss': 0.01220895815640688,
'model_loss': 2.0692763328552246, 'l2_regularization_loss': 1.4762479066848755,
'learning_rate': 0.008165999}
삭제
이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.
Compute Engine VM의 연결을 해제합니다.
(vm)$ exit
프롬프트가
username@projectname으로 바뀌면 Cloud Shell에 있는 것입니다.Cloud TPU 및 Compute Engine 리소스를 삭제합니다. 리소스를 삭제하는 데 사용하는 명령어는 TPU VM 또는 TPU 노드 사용 여부에 따라 다릅니다. 자세한 내용은 시스템 아키텍처를 참조하세요.
TPU VM
$ gcloud compute tpus tpu-vm delete retinanet-tutorial \ --zone=europe-west4-a
TPU 노드
$ gcloud compute tpus execution-groups delete retinanet-tutorial \ --zone=europe-west4-a
gcloud compute tpus execution-groups list를 실행하여 리소스가 삭제되었는지 확인합니다. 삭제하는 데 몇 분 정도 걸릴 수 있습니다. 다음과 같은 응답이 나타나면 인스턴스가 성공적으로 삭제되었다는 의미입니다.$ gcloud compute tpus execution-groups list --zone=europe-west4-a
Listed 0 items.
아래와 같이
gsutil을 사용하여 Cloud Storage 버킷을 삭제합니다. bucket-name을 Cloud Storage 버킷 이름으로 바꿉니다.$ gsutil rm -r gs://bucket-name
다음 단계
일반적으로 TensorFlow Cloud TPU 튜토리얼에서는 샘플 데이터 세트를 사용하여 모델을 학습시킵니다. 이 학습 결과는 추론에 사용될 수 없습니다. 모델을 추론에 사용하려면 일반에게 공개된 데이터 세트나 자체 데이터 세트에서 데이터를 학습시키면 됩니다. 일반적으로 Cloud TPU에서 학습된 TensorFlow 모델에는 TFRecord 형식의 데이터 세트가 필요합니다.
데이터 세트 변환 도구 샘플을 사용하여 이미지 분류 데이터 세트를 TFRecord 형식으로 변환할 수 있습니다. 이미지 분류 모델을 사용하지 않는 경우에는 데이터 세트를 직접 TFRecord 형식으로 변환해야 합니다. 자세한 내용은 TFRecord 및 tf.Example을 참조하세요.
초매개변수 조정
데이터 세트로 모델 성능을 개선하려면 모델 초매개변수를 조정하면 됩니다. GitHub에서 모든 TPU 지원 모델에 공통된 초매개변수에 대한 정보를 확인할 수 있습니다. 모델별 초매개변수에 대한 정보를 각 모델의 소스 코드에서 확인할 수 있습니다. 초매개변수 조정 방법에 대한 자세한 내용은 초매개변수 조정 개요 및 초매개변수 조정을 참조하세요.
추론
일단 모델을 학습시키면 추론(예측이라고도 함)에 사용할 수 있습니다. Cloud TPU 추론 변환기 도구를 사용하여 Cloud TPU v5e에서 추론을 위한 TensorFlow 모델을 준비하고 최적화할 수 있습니다. Cloud TPU v5e에서 추론에 대한 자세한 내용은 Cloud TPU v5e 추론 소개를 참조하세요.
다양한 이미지 크기로 학습
더 큰 백본 네트워크(예: ResNet-50 대신 ResNet-101)를 사용하는 방법에 대해 알아볼 수 있습니다. 더 큰 입력 이미지나 더 강력한 백본을 사용할 경우 속도는 느리지만 보다 정확한 모델을 얻을 수 있습니다.
다양한 기준 사용
또는 자체 데이터 세트에서 ResNet 모델을 사전 학습시키고 RetinaNet 모델의 기반으로 사용하는 방법을 알아볼 수도 있습니다. 약간의 추가 작업으로 ResNet을 대체 백본 네트워크로 교체할 수도 있습니다. 궁극적으로 자체 객체 감지 모델을 구현하려는 경우 이 네트워크를 향후 시험을 수행하는 데 유용한 기반으로 삼을 수 있습니다.