이 문서에서는 COCO 데이터 세트로 Cloud TPU를 사용하여 ShapeMask 모델을 실행하는 방법을 보여줍니다.
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.
-
Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.
-
Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.
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.
Cloud TPU 단일 기기 학습
이 섹션에서는 단일 기기 학습을 위한 Cloud Storage, VM, Cloud TPU 리소스를 설정하는 방법을 설명합니다.
TPU Pod 슬라이스로 학습시키려면 TPU Pod에서 학습을 살펴보고 포드 슬라이스에서 학습하는 데 필요한 변경사항을 확인하세요.
Cloud Shell에서 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 하단에서Authorize를 클릭하여gcloud가 사용자 인증 정보로 GCP API 호출을 수행하도록 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
COCO 데이터 세트 준비
이 튜토리얼에는 COCO 데이터 세트가 사용됩니다. 데이터 세트는 학습에 사용되기 위해 Cloud Storage 버킷에서 TFRecord 형식이어야 합니다.
버킷 위치는 가상 머신(VM) 및 TPU 노드와 동일한 리전에 있어야 합니다. VM 및 TPU 노드는 리전 내 구획인 특정 영역에 있습니다.
Cloud Storage 버킷은 사용자가 모델 및 학습 결과를 학습시키기 위해 사용하는 데이터를 저장합니다. 이 튜토리얼에서 사용하는 gcloud compute tpus execution-groups 도구는 이전 단계에서 설정한 Cloud TPU 서비스 계정에 대한 기본 권한을 설정합니다. 권한을 더 세분화해야 하는 경우 액세스 수준 권한을 참조하세요.
모델을 학습시키는 데 사용할 영역에 있는 Cloud Storage 버킷에 COCO 데이터 세트를 이미 준비한 경우 TPU 리소스를 실행하고 Cloud TPU를 학습에 사용할 수 있도록 준비합니다. 그렇지 않으면 다음 순서에 따라 데이터 세트를 준비합니다.
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-nameCompute 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=2.12.0명령어 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-a앞에서 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=${STORAGE_BUCKET}/coco데이터를 사전 처리하는 데 필요한 패키지를 설치합니다.
(vm)$ 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 ${DATA_DIR}
VM 리소스 삭제
COCO 데이터 세트가 TFRecords로 변환되고 Cloud Storage 버킷의 DATA_DIR에 복사되면 Compute Engine 인스턴스를 삭제할 수 있습니다.
Compute Engine 인스턴스에서 연결을 해제합니다.
(vm)$ exit프롬프트가
username@projectname으로 바뀌면 Cloud Shell에 있는 것입니다.Compute Engine 인스턴스 삭제
$ gcloud compute instances delete instance-name --zone=europe-west4-a
TPU 리소스 실행 및 모델 학습
gcloud명령어를 사용하여 TPU 리소스를 시작합니다. 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 shapemask-tutorial \ --zone=europe-west4-a \ --accelerator-type=v3-8 \ --version=tpu-vm-tf-2.16.1-pjrtTPU 노드
$ gcloud compute tpus execution-groups create \ --zone=europe-west4-a \ --name=shapemask-tutorial \ --accelerator-type=v3-8 \ --machine-type=n1-standard-8 \ --disk-size=300 \ --tf-version=2.12.0gcloud명령어에 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 shapemask-tutorial --zone=europe-west4-a
TPU 노드
gcloud compute ssh shapemask-tutorial --zone=europe-west4-a
안내를 계속 따르면서
(vm)$으로 시작하는 각 명령어를 VM 세션 창에서 실행합니다.TensorFlow 요구사항을 설치합니다.
TPU VM
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txtTPU 노드
(vm)$ pip3 install -r /usr/share/models/official/requirements.txt학습 스크립트에는 추가 패키지가 필요합니다. 지금 설치합니다.
TPU VM
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3TPU 노드
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3스토리지 버킷 이름 변수를 설정합니다. bucket-name을 스토리지 버킷 이름으로 바꿉니다.
(vm)$ export STORAGE_BUCKET=gs://bucket-nameCloud TPU 이름 변수를 설정합니다.
TPU VM
(vm)$ export TPU_NAME=localTPU 노드
(vm)$ export TPU_NAME=shapemask-tutorialPYTHONPATH환경 변수를 설정합니다.TPU VM
(vm)$ export PYTHONPATH="/usr/share/tpu/models:${PYTHONPATH}"TPU 노드
(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"모델을 저장하는 디렉터리로 변경합니다.
TPU VM
(vm)$ cd /usr/share/tpu/models/official/legacy/detectionTPU 노드
(vm)$ cd /usr/share/models/official/legacy/detection필요한 환경 변수를 추가합니다.
(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=${STORAGE_BUCKET}/shapemask
TPU를 만들 때
--version매개변수를-pjrt로 끝나는 버전으로 설정한 경우 다음 환경 변수를 설정하여 PJRT 런타임을 사용 설정합니다.(vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true (vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
ShapeMask 모델 학습:
다음 스크립트는 v3-8 TPU에서 100단계만 샘플 학습을 실행하며 완료하는 데 약 10분이 소요됩니다. v3-8 TPU에서 수렴을 학습하는 데는 약 22,500단계와 약 6시간이 소요됩니다.
(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: ${SHAPE_PRIOR_PATH}}, shapemask_parser: {output_size: [640, 640]}}"명령어 플래그 설명
strategy_type- TPU에서 Shapemask 모델을 학습시키려면
distribution_strategy를tpu로 설정해야 합니다. tpu- Cloud TPU의 이름입니다.
TPU_NAME환경 변수를 사용하여 설정합니다. model_dir- 모델 학습 중에 체크포인트와 요약이 저장되는 디렉터리입니다. 폴더가 없는 경우에는 프로그램에서 생성됩니다.
Cloud TPU를 사용할 때
model_dir은 Cloud Storage 경로(gs://...)여야 합니다. 이전 체크포인트가 동일한 크기 및 TensorFlow 버전의 Cloud TPU를 사용하여 생성되어 있는 한 기존 폴더를 다시 사용하여 현재 체크포인트 데이터를 로드하고 추가 체크포인트를 저장할 수 있습니다. mode- 모델을 학습시키려면
train으로 설정하고 모델을 평가하려면eval로 설정합니다. params_override- 기본 스크립트 매개변수를 재정의하는 JSON 문자열입니다. 스크립트 매개변수에 대한 자세한 내용은
/usr/share/models/official/legacy/detection/main.py를 참조하세요.
학습이 완료되면 다음과 유사한 메시지가 표시됩니다.
Train Step: 100/100 / loss = {'total_loss': 10.815635681152344, 'loss': 10.815635681152344, 'retinanet_cls_loss': 1.4915691614151, 'l2_regularization_loss': 4.483549118041992, 'retinanet_box_loss': 0.013074751943349838, 'shapemask_prior_loss': 0.17314358055591583, 'shapemask_coarse_mask_loss': 1.953366756439209, 'shapemask_fine_mask_loss': 2.216097831726074, 'model_loss': 6.332086086273193, 'learning_rate': 0.021359999} / training metric = {'total_loss': 10.815635681152344, 'loss': 10.815635681152344, 'retinanet_cls_loss': 1.4915691614151, 'l2_regularization_loss': 4.483549118041992, 'retinanet_box_loss': 0.013074751943349838, 'shapemask_prior_loss': 0.17314358055591583, 'shapemask_coarse_mask_loss': 1.953366756439209, 'shapemask_fine_mask_loss': 2.216097831726074, 'model_loss': 6.332086086273193, 'learning_rate': 0.021359999}스크립트를 실행하여 ShapeMask 모델을 평가합니다. v3-8 TPU에서 약 10분 정도 걸립니다.
(vm)$ 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: ${SHAPE_PRIOR_PATH}}, shapemask_parser: {output_size: [640, 640]}}"명령어 플래그 설명
strategy_type- TPU에서 Shapemask 모델을 학습시키려면
distribution_strategy를tpu로 설정해야 합니다. tpu- Cloud TPU의 이름입니다.
TPU_NAME환경 변수를 사용하여 설정합니다. model_dir- 모델 학습 중에 체크포인트와 요약이 저장되는 디렉터리입니다. 폴더가 없는 경우에는 프로그램에서 생성됩니다.
Cloud TPU를 사용할 때
model_dir은 Cloud Storage 경로(gs://...)여야 합니다. 이전 체크포인트가 동일한 크기 및 TensorFlow 버전의 Cloud TPU를 사용하여 생성되어 있는 한 기존 폴더를 다시 사용하여 현재 체크포인트 데이터를 로드하고 추가 체크포인트를 저장할 수 있습니다. mode- 모델을 학습시키려면
train으로 설정하고 모델을 평가하려면eval로 설정합니다. params_override- 기본 스크립트 매개변수를 재정의하는 JSON 문자열입니다. 스크립트 매개변수에 대한 자세한 내용은
/usr/share/models/official/legacy/detection/main.py를 참조하세요.
평가가 완료되면 다음과 유사한 메시지가 표시됩니다.
DONE (t=5.47s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000
이제 단일 기기 학습 및 평가가 완료되었습니다. 다음 단계를 수행하여 현재 단일 기기 TPU 리소스를 삭제합니다.
Compute Engine 인스턴스에서 연결을 해제합니다.
(vm)$ exit프롬프트가
username@projectname으로 바뀌면 Cloud Shell에 있는 것입니다.TPU 리소스를 삭제합니다.
TPU VM
$ gcloud compute tpus tpu-vm delete shapemask-tutorial \ --zone=europe-west4-a명령어 플래그 설명
zone- Cloud TPU가 있는 영역입니다.
TPU 노드
$ gcloud compute tpus execution-groups delete shapemask-tutorial \ --tpu-only \ --zone=europe-west4-a명령어 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 Pod 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 하단에서Authorize를 클릭하여gcloud가 사용자 인증 정보로 GCP API 호출을 수행하도록 허용합니다.Cloud TPU 프로젝트의 서비스 계정을 만듭니다.
서비스 계정은 Cloud TPU 서비스가 다른 Google Cloud Platform 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.
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name이전에 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 포드 학습을 설정하세요.
Cloud TPU Pod 실행
이 튜토리얼에서는 v3-32 포드를 지정합니다. 다른 포드 옵션은 TPU 버전을 참조하세요.
TPU VM
$ gcloud compute tpus tpu-vm create shapemask-tutorial \ --zone=europe-west4-a \ --accelerator-type=v3-32 \ --version=tpu-vm-tf-2.16.1-pod-pjrtTPU 노드
$ gcloud compute tpus execution-groups create \ --zone=europe-west4-a \ --name=shapemask-tutorial \ --accelerator-type=v3-32 \ --machine-type=n1-standard-8 \ --disk-size=300 \ --tf-version=2.12.0Compute 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 shapemask-tutorial --zone=europe-west4-a
TPU 노드
gcloud compute ssh shapemask-tutorial --zone=europe-west4-a
안내를 계속 따르면서
(vm)$으로 시작하는 각 명령어를 VM 세션 창에서 실행합니다.TensorFlow 요구사항을 설치합니다.
TPU VM
(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txtTPU 노드
(vm)$ pip3 install -r /usr/share/models/official/requirements.txt학습 스크립트에는 추가 패키지가 필요합니다. 지금 설치합니다.
TPU VM
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3TPU 노드
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3bucket-name을 Cloud Storage 버킷 이름으로 바꿔 다음 환경 변수를 설정합니다.
(vm)$ export STORAGE_BUCKET=gs://bucket-name학습 애플리케이션을 사용하려면 Cloud Storage에서 학습 데이터에 액세스할 수 있어야 합니다. 학습 애플리케이션 역시 학습 도중 Cloud Storage 버킷을 사용하여 체크포인트를 저장합니다.
필수 학습 변수를 업데이트합니다.
(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
필수 환경 변수를 설정합니다.
TPU VM
(vm)$ export PYTHONPATH="/usr/share/tpu/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/detectionTPU 노드
(vm)$ cd /usr/share/models/official/legacy/detection포드 학습을 시작합니다.
샘플 학습은 20단계만 실행되며 v3-32 TPU 노드에서 완료하는 데 약 10분이 소요됩니다. 수렴 학습은 약 11,250단계로 v3-32 TPU Pod에서 약 2시간이 소요됩니다.
(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: ${SHAPE_PRIOR_PATH}} }"명령어 플래그 설명
strategy_type- TPU에서 Shapemask 모델을 학습시키려면
distribution_strategy를tpu로 설정해야 합니다. tpu- Cloud TPU의 이름입니다.
TPU_NAME환경 변수를 사용하여 설정합니다. model_dir- 모델 학습 중에 체크포인트와 요약이 저장되는 디렉터리입니다. 폴더가 없는 경우에는 프로그램에서 생성됩니다.
Cloud TPU를 사용할 때
model_dir은 Cloud Storage 경로(gs://...)여야 합니다. 이전 체크포인트가 동일한 크기 및 TensorFlow 버전의 Cloud TPU를 사용하여 생성되어 있는 한 기존 폴더를 다시 사용하여 현재 체크포인트 데이터를 로드하고 추가 체크포인트를 저장할 수 있습니다. mode- 모델을 학습시키려면
train으로 설정하고 모델을 평가하려면eval로 설정합니다. params_override- 기본 스크립트 매개변수를 재정의하는 JSON 문자열입니다. 스크립트 매개변수에 대한 자세한 내용은
/usr/share/models/official/legacy/detection/main.py를 참조하세요.
삭제
이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.
Compute Engine 인스턴스에서 연결을 해제합니다.
(vm)$ exit프롬프트가
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 shapemask-tutorial \ --zone=europe-west4-aTPU 노드
$ gcloud compute tpus execution-groups delete shapemask-tutorial \ --zone=europe-west4-agcloud compute tpus execution-groups list를 실행하여 리소스가 삭제되었는지 확인합니다. 삭제하는 데 몇 분 정도 걸릴 수 있습니다. 다음 명령어의 출력에는 이 튜토리얼에서 만든 TPU 리소스가 포함되어서는 안 됩니다.$ gcloud compute tpus execution-groups list --zone=europe-west4-a아래와 같이
gsutil을 실행하여 bucket-name을 이 튜토리얼에서 만든 Cloud Storage 버킷 이름으로 바꿉니다.$ gsutil rm -r gs://bucket-name
다음 단계
다양한 이미지 크기로 학습
더 큰 신경망(예: ResNet-50 대신 ResNet-101)을 사용하는 방법에 대해 알아볼 수 있습니다. 더 큰 입력 이미지나 더 강력한 신경망을 사용할 경우 속도는 느리지만 보다 정확한 모델을 얻을 수 있습니다.
다양한 기준 사용
또는 자체 데이터 세트에서 ResNet 모델을 사전 학습시키고 ShapeMask 모델의 기반으로 사용하는 방법을 알아볼 수도 있습니다. 약간의 추가 작업으로 ResNet을 대체 신경망으로 교체할 수도 있습니다. 궁극적으로 자체 객체 감지 모델을 구현하려는 경우 이 네트워크를 향후 시험을 수행하는 데 유용한 기반으로 삼을 수 있습니다.