In diesem Dokument wird dargestellt, wie das ShapeMask-Modell mithilfe von Cloud TPU mit dem COCO-Dataset ausgeführt wird.
In der folgenden Anleitung wird davon ausgegangen, dass Sie bereits mit dem Ausführen eines Modells auf Cloud TPU vertraut sind. Wenn Sie Cloud TPU noch nicht kennen, finden Sie in der Kurzanleitung eine grundlegende Einführung.
Wenn Sie auf einem TPU-Pod-Slice trainieren möchten, lesen Sie den Abschnitt Training auf TPU-Pods um für Pod-Slices erforderliche Parameteränderungen zu verstehen.
Ziele
- COCO-Dataset vorbereiten
- Cloud Storage-Bucket zum Speichern der Dataset- und Modellausgabe erstellen
- TPU-Ressourcen für Training und Evaluierung einrichten
- Training und Bewertung auf einer einzelnen Cloud TPU oder einem Cloud TPU Pod ausführen
Kosten
In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:
- Compute Engine
- Cloud TPU
- Cloud Storage
Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen.
Hinweise
Bevor Sie mit dieser Anleitung beginnen, prüfen Sie, ob Ihr Google Cloud-Projekt ordnungsgemäß eingerichtet ist.
- Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
In dieser Anleitung werden kostenpflichtige Komponenten der Google Cloud verwendet. Rufen Sie die Seite mit den Cloud TPU-Preisen auf, um Ihre Kosten abzuschätzen. Denken Sie daran, nicht mehr benötigte Ressourcen zu bereinigen, um unnötige Kosten zu vermeiden.
Cloud TPU-Training mit Einzelgerät
Dieser Abschnitt enthält Informationen zum Einrichten von Cloud Storage, VMs und Cloud TPU-Ressourcen für das Training auf einem einzelnen Gerät
Wenn Sie auf einem TPU-Pod-Slice trainieren möchten, lesen Sie den Abschnitt Training auf TPU-Pods um die Änderungen zu verstehen, die für das Training auf Pod-Slices erforderlich sind.
Erstellen Sie in Cloud Shell eine Variable für das ID.
export PROJECT_ID=project-id
Konfigurieren Sie die Google Cloud CLI für die Verwendung des Projekts, in dem Sie erstellen möchten Cloud TPU
gcloud config set project ${PROJECT_ID}
Wenn Sie diesen Befehl zum ersten Mal in einer neuen Cloud Shell-VM ausführen, wird die Seite
Authorize Cloud Shell
angezeigt. Klicken Sie unten aufAuthorize
. der Seite, damitgcloud
Google Cloud API-Aufrufe mit Ihrem Google Cloud-AnmeldedatenErstellen Sie ein Dienstkonto für das Cloud TPU-Projekt.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
Der Befehl gibt ein Cloud TPU-Dienstkonto im folgenden Format zurück:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
COCO-Dataset vorbereiten
In dieser Anleitung wird das COCO-Dataset verwendet. Das Dataset muss im TFRecord-Format vorliegen in einem Cloud Storage-Bucket, der für das Training verwendet werden soll.
Der Bucket-Standort muss sich in derselben Region wie Ihre virtuelle Maschine (VM) befinden und Ihren TPU-Knoten. VMs und TPU-Knoten befinden sich in bestimmten Zonen. also Unterteilungen innerhalb einer Region.
Im Cloud Storage-Bucket werden die Daten gespeichert, die Sie zum Trainieren Ihres Modells verwenden,
die Trainingsergebnisse. Mit dem gcloud compute tpus tpu-vm
-Tool, das in dieser Anleitung verwendet wird,
Standardberechtigungen für das Cloud TPU-Dienstkonto, das Sie im
vorherigen Schritt. Wenn Sie detailliertere Berechtigungen benötigen, können Sie die Berechtigungen auf Zugriffsebene anpassen.
Wenn Sie das COCO-Dataset bereits in einem Cloud Storage-Bucket vorbereitet haben, befindet sich in der Zone, die Sie für die das Modell trainieren, können Sie die TPU-Ressourcen starten und Cloud TPU für das Training vorbereiten Andernfalls führen Sie die folgenden Schritte aus, um sich vorzubereiten. des Datasets.
Konfigurieren Sie
gcloud
in Cloud Shell mit Ihrem Projekt. ID.export PROJECT_ID=project-id gcloud config set project ${PROJECT_ID}
Erstellen Sie in Ihrer Cloud Shell mit folgendem Befehl einen Cloud Storage-Bucket:
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=us-central2
Erstellen Sie eine Compute Engine-VM, um das Dataset herunterzuladen und vorzuverarbeiten. Weitere Informationen finden Sie unter Erstellen und starten Sie eine Compute Engine-Instanz.
$ gcloud compute instances create vm-name \ --zone=us-central2-b \ --image-family=ubuntu-2204-lts \ --image-project=ubuntu-os-cloud \ --machine-type=n1-standard-16 \ --boot-disk-size=300GB
Stellen Sie über SSH eine Verbindung zur Compute Engine-VM her:
$ gcloud compute ssh vm-name --zone=us-central2-b
Wenn Sie eine Verbindung zur VM herstellen, ändert sich die Shell-Eingabeaufforderung von
username@projectname
inusername@vm-name
.Richten Sie zwei Variablen ein, eine für den Storage-Bucket, den Sie erstellen. und eine für das Verzeichnis, das Die Trainingsdaten (
DATA_DIR
) im Storage-Bucket(vm)$ export STORAGE_BUCKET=gs://bucket-name
(vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco
Installieren Sie die Pakete, die für die Vorverarbeitung der Daten erforderlich sind.
(vm)$ sudo apt-get update && \ sudo apt-get install python3-pip && \ sudo apt-get install -y python3-tk && \ pip3 install --user Cython matplotlib opencv-python-headless pyyaml Pillow numpy absl-py tensorflow && \ pip3 install --user "git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI"
Zum Umwandeln das Skript
download_and_preprocess_coco.sh
ausführen COCO-Dataset in eine Reihe von TFRecord-Dateien (*.tfrecord
) aufteilt, die die Anwendung erwartet.(vm)$ git clone https://github.com/tensorflow/tpu.git (vm)$ sudo bash tpu/tools/datasets/download_and_preprocess_coco.sh ./data/dir/coco
Dadurch werden die erforderlichen Bibliotheken installiert und das Skript für die Vorverarbeitung ausgeführt. Er gibt
*.tfrecord
-Dateien in Ihr lokales Datenverzeichnis aus. Der COCO-Download und das Ausführen des Konvertierungsskripts dauern etwa eine Stunde.Kopieren Sie die Daten in Ihren Cloud Storage-Bucket.
Nachdem Sie die Daten in das TFRecord-Format konvertiert haben, kopieren Sie sie aus dem lokalen Speicher mit der gcloud CLI in Ihren Cloud Storage-Bucket. Du musst kopieren auch die Anmerkungsdateien. Diese Dateien helfen bei der Validierung der die Leistung.
(vm)$ gcloud storage cp ./data/dir/coco/*.tfrecord ${DATA_DIR} (vm)$ gcloud storage cp ./data/dir/coco/raw-data/annotations/*.json ${DATA_DIR}
Trennen Sie die Verbindung zur Compute Engine-VM:
(vm)$ exit
Die Eingabeaufforderung sollte nun
username@projectname
lauten und angeben, dass Sie sich in Cloud Shell befinden.Löschen Sie Ihre Compute Engine-VM:
$ gcloud compute instances delete vm-name \ --zone=us-central2-b
TPU-Ressourcen starten und Modell trainieren
Verwenden Sie den Befehl
gcloud
, um die TPU-Ressourcen zu starten.$ gcloud compute tpus tpu-vm create shapemask-tutorial \ --zone=europe-west4-a \ --accelerator-type=v3-8 \ --version=tpu-vm-tf-2.17.0-pjrt
Beschreibung der Befehls-Flags
zone
- Die Zone, in der Sie die Cloud TPU erstellen möchten.
accelerator-type
- Der Beschleunigertyp gibt die Version und Größe der Cloud TPU an, die Sie erstellen möchten. Weitere Informationen zu unterstützten Beschleunigertypen für jede TPU-Version finden Sie unter TPU-Versionen.
version
- Die Softwareversion von Cloud TPU.
Weitere Informationen zum Befehl
gcloud
finden Sie in der gcloud-Referenz.Stellen Sie über SSH eine Verbindung zur Compute Engine-Instanz her. Wenn Sie verbunden sind an die VM ändert sich Ihre Shell-Eingabeaufforderung von
username@projectname
inusername@vm-name
:gcloud compute tpus tpu-vm ssh shapemask-tutorial --zone=europe-west4-a
Installieren Sie TensorFlow-Anforderungen.
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
Für das Trainingsskript ist ein zusätzliches Paket erforderlich. Installieren Sie es jetzt.
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
Legen Sie die Variable für den Storage-Bucket-Namen fest. Ersetzen Sie bucket-name durch den Namen Ihres Storage-Buckets.
(vm)$ export STORAGE_BUCKET=gs://bucket-name
Legen Sie die Cloud TPU-Namensvariable fest.
(vm)$ export TPU_NAME=local
Legen Sie die Umgebungsvariable
PYTHONPATH
fest:(vm)$ export PYTHONPATH="/usr/share/tpu/models:${PYTHONPATH}"
Wechseln Sie zum Verzeichnis, in dem sich das Modell befindet:
(vm)$ cd /usr/share/tpu/models/official/legacy/detection
Fügen Sie einige erforderliche Umgebungsvariablen hinzu:
(vm)$ export RESNET_CHECKPOINT=gs://cloud-tpu-checkpoints/retinanet/resnet50-checkpoint-2018-02-07 (vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco (vm)$ export TRAIN_FILE_PATTERN=${DATA_DIR}/train-* (vm)$ export EVAL_FILE_PATTERN=${DATA_DIR}/val-* (vm)$ export VAL_JSON_FILE=${DATA_DIR}/instances_val2017.json (vm)$ export SHAPE_PRIOR_PATH=gs://cloud-tpu-checkpoints/shapemask/kmeans_class_priors_91x20x32x32.npy (vm)$ export MODEL_DIR=${STORAGE_BUCKET}/shapemask
Wenn Sie beim Erstellen der TPU den Parameter
--version
auf eine Version festlegen, die mit-pjrt
, legen Sie die folgenden Umgebungsvariablen fest, um die PJRT-Laufzeit zu aktivieren:(vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
Trainieren Sie das ShapeMask-Modell:
Das folgende Skript führt ein Beispieltraining aus, das mit nur 100 Schritten trainiert wird und etwa 10 Minuten auf einer v3-8-TPU benötigt. Das Training zur Konvergenz dauert etwa 22.500 Schritte und ca. 6 Stunden auf einer v3-8-TPU.
(vm)$ python3 main.py \ --strategy_type=tpu \ --tpu=${TPU_NAME} \ --model_dir=${MODEL_DIR} \ --mode=train \ --model=shapemask \ --params_override="{train: {total_steps: 100, learning_rate: {init_learning_rate: 0.08, learning_rate_levels: [0.008, 0.0008], learning_rate_steps: [15000, 20000], }, checkpoint: { path: ${RESNET_CHECKPOINT},prefix: resnet50}, train_file_pattern: ${TRAIN_FILE_PATTERN}}, shapemask_head: {use_category_for_mask: true, shape_prior_path: ${SHAPE_PRIOR_PATH}}, shapemask_parser: {output_size: [640, 640]}}"
Beschreibung der Befehls-Flags
strategy_type
- Zum Trainieren des Shapemask-Modells auf einer TPU müssen Sie den Parameter
distribution_strategy
bistpu
. tpu
- Der Name der Cloud TPU. Diese wird mithilfe der
TPU_NAME
. model_dir
- Das Verzeichnis, in dem während des Modelltrainings Prüfpunkte und Zusammenfassungen gespeichert werden. Wenn der Ordner fehlt, wird er vom Programm erstellt.
Bei Verwendung einer Cloud TPU muss der
model_dir
ein Cloud Storage-Pfad (gs://...
) sein. Sie können einen vorhandenen Ordner, um aktuelle Prüfpunktdaten zu laden und zu speichern, zusätzliche Prüfpunkte, sofern die vorherigen mit einer Cloud TPU derselben Größe und TensorFlow erstellt Version. mode
- Legen Sie diesen Wert auf
train
fest, um das Modell zu trainieren, oder aufeval
um das Modell zu bewerten. params_override
- Ein JSON-String, der Standardskriptparameter überschreibt. Weitere Informationen zu Skriptparametern finden Sie unter
/usr/share/models/official/legacy/detection/main.py
.
Wenn das Training abgeschlossen ist, wird eine Meldung wie diese angezeigt:
Train Step: 100/100 / loss = {'total_loss': 10.815635681152344, 'loss': 10.815635681152344, 'retinanet_cls_loss': 1.4915691614151, 'l2_regularization_loss': 4.483549118041992, 'retinanet_box_loss': 0.013074751943349838, 'shapemask_prior_loss': 0.17314358055591583, 'shapemask_coarse_mask_loss': 1.953366756439209, 'shapemask_fine_mask_loss': 2.216097831726074, 'model_loss': 6.332086086273193, 'learning_rate': 0.021359999} / training metric = {'total_loss': 10.815635681152344, 'loss': 10.815635681152344, 'retinanet_cls_loss': 1.4915691614151, 'l2_regularization_loss': 4.483549118041992, 'retinanet_box_loss': 0.013074751943349838, 'shapemask_prior_loss': 0.17314358055591583, 'shapemask_coarse_mask_loss': 1.953366756439209, 'shapemask_fine_mask_loss': 2.216097831726074, 'model_loss': 6.332086086273193, 'learning_rate': 0.021359999}
Führen Sie das Skript aus, um das ShapeMask-Modell zu bewerten. Dies dauert auf einer v3-8-TPU etwa zehn Minuten:
(vm)$ python3 main.py \ --strategy_type=tpu \ --tpu=${TPU_NAME} \ --model_dir=${MODEL_DIR} \ --checkpoint_path=${MODEL_DIR} \ --mode=eval_once \ --model=shapemask \ --params_override="{eval: { val_json_file: ${VAL_JSON_FILE}, eval_file_pattern: ${EVAL_FILE_PATTERN}, eval_samples: 5000 }, shapemask_head: {use_category_for_mask: true, shape_prior_path: ${SHAPE_PRIOR_PATH}}, shapemask_parser: {output_size: [640, 640]}}"
Beschreibung der Befehls-Flags
strategy_type
- Zum Trainieren des Shapemask-Modells auf einer TPU müssen Sie den Parameter
distribution_strategy
bistpu
. tpu
- Der Name der Cloud TPU. Diese wird mithilfe der
TPU_NAME
. model_dir
- Das Verzeichnis, in dem Prüfpunkte und Zusammenfassungen während des Modells gespeichert werden
. Wenn der Ordner fehlt, wird er vom Programm erstellt. Bei Verwendung eines
Cloud TPU verwenden, muss
model_dir
ein Cloud Storage-Pfad (gs://...
). Sie können einen vorhandener Ordner, um aktuelle Prüfpunktdaten zu laden und zusätzliche Prüfpunkte, sofern die vorherigen Prüfpunkte mithilfe eines Cloud TPU derselben Größe und TensorFlow-Version. mode
- Legen Sie diesen Wert auf
train
fest, um das Modell zu trainieren, oder aufeval
um das Modell zu bewerten. params_override
- Ein JSON-String, der Standardskriptparameter überschreibt. Weitere Informationen zu Skriptparametern finden Sie unter
/usr/share/models/official/legacy/detection/main.py
.
Sobald die Beurteilung abgeschlossen ist, wird eine Meldung wie diese angezeigt:
DONE (t=5.47s). 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
Sie haben jetzt das Training und die Bewertung für ein einzelnes Gerät abgeschlossen. Verwenden Sie die Methode Gehen Sie so vor, um die aktuellen TPU-Ressourcen eines einzelnen Geräts zu löschen.
Trennen Sie die Verbindung zur Compute Engine-Instanz:
(vm)$ exit
Die Eingabeaufforderung sollte nun
username@projectname
lauten und angeben, dass Sie sich in Cloud Shell befinden.Löschen Sie die TPU-Ressource.
$ gcloud compute tpus tpu-vm delete shapemask-tutorial \ --zone=europe-west4-a
Beschreibung der Befehls-Flags
zone
- Die Zone, in der sich Ihre Cloud TPU befindet ihren Wohnsitz hat.
An dieser Stelle können Sie entweder diese Anleitung beenden und eine Bereinigung durchführen oder die Ausführung des Modells auf Cloud TPU Pods fortsetzen.
Modell mit Cloud TPU Pods skalieren
Das Training Ihres Modells auf Cloud TPU Pods erfordert möglicherweise einige Änderungen in Ihr Trainingsskript ein. Weitere Informationen finden Sie unter Auf TPU-Pods trainieren.
TPU-Pod-Training
Öffnen Sie ein Cloud Shell-Fenster.
Erstellen Sie eine Variable für Ihre Projekt-ID.
export PROJECT_ID=project-id
Konfigurieren Sie die Google Cloud CLI für die Verwendung des Projekts, in dem Sie erstellen möchten Cloud TPU
gcloud config set project ${PROJECT_ID}
Wenn Sie diesen Befehl zum ersten Mal in einer neuen Cloud Shell-VM ausführen, wird die Seite
Authorize Cloud Shell
angezeigt. Klicken Sie unten aufAuthorize
. der Seite, damitgcloud
Google Cloud API-Aufrufe mit Ihrem Anmeldedaten.Erstellen Sie ein Dienstkonto für das Cloud TPU-Projekt.
Dienstkonten ermöglichen dem Cloud TPU-Dienst den Zugriff auf andere Google Cloud-Dienste Dienstleistungen.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
Der Befehl gibt ein Cloud TPU-Dienstkonto im folgenden Format zurück:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
Erstellen Sie mit dem folgenden Befehl einen Cloud Storage-Bucket oder verwenden Sie einen vorhanden ist.
gcloud storage buckets create gs://bucket-name --project=${PROJECT_ID} --location=europe-west4
Wenn Sie das COCO-Dataset bereits vorbereitet und in den Speicher verschoben haben Bucket für das Pod-Training nutzen. Wenn Sie sich noch nicht das COCO-Dataset, bereiten Sie es jetzt vor und kehren Sie hierher zurück, um es einzurichten. zum Pod-Training.
Cloud TPU-Pod starten
In dieser Anleitung wird ein v3-32-Pod angegeben. Weitere Pod-Optionen finden Sie unter TPU-Versionen.
<ph type="x-smartling-placeholder">$ gcloud compute tpus tpu-vm create shapemask-tutorial \ --zone=europe-west4-a \ --accelerator-type=v3-32 \ --version=tpu-vm-tf-2.17.0-pod-pjrt
Beschreibung der Befehls-Flags
zone
- Die Zone, in der Sie die Cloud TPU erstellen möchten.
accelerator-type
- Der Beschleunigertyp gibt die Version und Größe der Cloud TPU an, die Sie erstellen möchten. Weitere Informationen zu unterstützten Beschleunigertypen für jede TPU-Version finden Sie unter TPU-Versionen.
version
- Die Softwareversion von Cloud TPU.
Stellen Sie über SSH eine Verbindung zur Compute Engine-Instanz her. Wenn Sie verbunden sind an die VM ändert sich Ihre Shell-Eingabeaufforderung von
username@projectname
inusername@vm-name
:gcloud compute tpus tpu-vm ssh shapemask-tutorial --zone=europe-west4-a
Installieren Sie TensorFlow-Anforderungen.
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt
Für das Trainingsskript ist ein zusätzliches Paket erforderlich. Installieren Sie es jetzt.
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
Richten Sie die folgenden Umgebungsvariablen ein und ersetzen Sie bucket-name durch den Namen Ihres Cloud Storage-Buckets:
(vm)$ export STORAGE_BUCKET=gs://bucket-name
Die Trainingsanwendung erwartet, dass Ihre Trainingsdaten in Cloud Storage verfügbar sind. Die Trainingsanwendung verwendet auch Ihren Cloud Storage-Bucket, um während des Trainings Prüfpunkte zu speichern.
Aktualisieren Sie die erforderlichen Trainingsvariablen.
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/shapemask-pods (vm)$ export DATA_DIR=${STORAGE_BUCKET}/coco (vm)$ 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=${DATA_DIR}/instances_val2017.json (vm)$ export SHAPE_PRIOR_PATH=gs://cloud-tpu-checkpoints/shapemask/kmeans_class_priors_91x20x32x32.npy
Legen Sie erforderliche Umgebungsvariablen fest:
(vm)$ export PYTHONPATH="/usr/share/tpu/models:${PYTHONPATH}" (vm)$ export TPU_LOAD_LIBRARY=0
Wechseln Sie zum Verzeichnis, in dem sich das Modell befindet:
(vm)$ cd /usr/share/tpu/models/official/legacy/detection
Starten Sie das Pod-Training.
Das Beispieltraining dauert 20 Schritte und dauert etwa 10 Minuten, auf einem v3-32-TPU-Knoten ausführen. Für das Training zur Konvergenz sind etwa 11.250 und ca. 2 Stunden auf einem v3-32-TPU-Pod.
(vm)$ python3 main.py \ --strategy_type=tpu \ --tpu=${TPU_NAME} \ --model_dir=${MODEL_DIR} \ --mode=train \ --model=shapemask \ --params_override="{train: { batch_size: 128, iterations_per_loop: 500, total_steps: 20, learning_rate: {'learning_rate_levels': [0.008, 0.0008], 'learning_rate_steps': [10000, 13000] }, 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}}, shapemask_head: {use_category_for_mask: true, shape_prior_path: ${SHAPE_PRIOR_PATH}} }"
Beschreibung der Befehls-Flags
strategy_type
- Zum Trainieren des Shapemask-Modells auf einer TPU müssen Sie den Parameter
distribution_strategy
bistpu
. tpu
- Der Name der Cloud TPU. Diese wird mithilfe der
TPU_NAME
. model_dir
- Das Verzeichnis, in dem Prüfpunkte und Zusammenfassungen gespeichert werden
für das Modelltraining. Wenn der Ordner fehlt, wird er vom Programm erstellt. Wann?
mit einer Cloud TPU verwenden, muss
model_dir
ein Cloud Storage-Pfad (gs://...
). Sie können einen vorhandener Ordner, um aktuelle Prüfpunktdaten zu laden und zusätzliche Prüfpunkte, sofern die vorherigen Prüfpunkte mithilfe eines Cloud TPU derselben Größe und TensorFlow-Version. mode
- Legen Sie diesen Wert auf
train
fest, um das Modell zu trainieren, oder aufeval
um das Modell zu bewerten. params_override
- Ein JSON-String, der Standardskriptparameter überschreibt. Weitere Informationen zu Skriptparametern finden Sie unter
/usr/share/models/official/legacy/detection/main.py
.
Bereinigen
Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.
Trennen Sie die Verbindung zur Compute Engine-Instanz, sofern noch nicht geschehen:
(vm)$ exit
Die Eingabeaufforderung sollte nun
username@projectname
lauten und angeben, dass Sie sich in Cloud Shell befinden.Löschen Sie Ihre Cloud TPU- und Compute Engine-Ressourcen.
$ gcloud compute tpus tpu-vm delete shapemask-tutorial \ --zone=europe-west4-a
Prüfen Sie, ob die Ressourcen gelöscht wurden. Führen Sie dazu
gcloud compute tpus tpu-vm list
aus. Der Löschvorgang kann einige Minuten dauern. Die Ausgabe des folgenden Befehls sollte keine der in dieser Anleitung erstellten TPU-Ressourcen enthalten:$ gcloud compute tpus tpu-vm list --zone=europe-west4-a
Führen Sie die gcloud CLI wie gezeigt aus und ersetzen Sie bucket-name durch Name des Cloud Storage-Bucket, den Sie für diese Anleitung erstellt haben:
$ gcloud storage rm gs://bucket-name --recursive
Nächste Schritte
Mit verschiedenen Bildgrößen trainieren
Sie können dies mit einem größeren neuronalen Netzwerk (z. B. ResNet-101) von ResNet-50). Ein größeres Eingabebild und ein leistungsfähigeres neuronales Netzwerk führen zu einem langsameren, aber präziseren Modell.
Andere Grundlage verwenden
Alternativ können Sie ein ResNet-Modell mit Ihrem eigenen Dataset vorab trainieren und sie als Grundlage für Ihr ShapeMask-Modell zu verwenden. Mit etwas mehr Arbeit können Sie ein alternatives neuronales Netzwerk anstelle von ResNet verwenden. Wenn Sie schließlich Ihre eigenen Objekterkennungsmodelle implementieren möchten, kann eine gute Grundlage für weitere Experimente sein.