本文
- 丹摩智算平台官方网站的介绍
- Faster-Rcnn-训练与测试
- 提前准备
- 进行Faster-rcnn 的环境配置
- 数据集的介绍
丹摩智算平台官方网站的介绍
丹摩智算平台（DAMODEL）是专为人工智能（AI）开发者打造的高性能计算服务平台，旨在提供丰富的算力资源和基础设施，助力AI应用的开发、训练和部署。
平台特色
-
超友好：平台配备124GB大内存和100GB系统盘，支持一键部署，三秒启动，使AI开发更加便捷。
-
资源丰富：从入门级到专业级GPU全覆盖，满足不同层次开发者的需求。
-
性能强劲：自建数据中心，采用全新GPU，确保每位开发者都能体验顶级计算性能和专属服务。
-
价格实惠：提供超低价格的优质算力服务，注册即送优惠券，并有各类社区优惠活动。
主要功能
-
云端开发环境：提供基于VSCode的Cloud IDE，支持高效的文件搜索、Git版本控制、调试、数据库、终端和在线预览等功能，用户可随时随地进行开发。
-
丰富的模板：支持多种编程语言和框架，如Python、Java、HTML/CSS/JS、PHP、Go，以及VueJS、React、Next.js、Nuxt.js等，方便用户快速启动项目。
-
AI编程助手：内置AI辅助编程功能，可实现添加注释、解释代码、完成代码、寻找错误、优化代码、添加测试和代码提问等，提升开发效率。
-
社区支持：用户可将项目发布到社区，与他人分享和学习，促进知识交流和合作。
-
快速部署：支持一键部署开发的应用或直接部署GitHub上的应用，提供独立域名访问，并保持应用永久在线。
-
AI绘画：提供在线的Stable Diffusion模型，可一键启动WebUI进行AI绘画，操作简单。
使用体验
用户反馈显示，丹摩智算平台操作简洁，资源丰富，性能强劲，性价比高，适合AI开发者进行模型训练、推理和部署等任务。
总结
丹摩智算平台为AI开发者提供了高效、便捷、经济的计算资源和开发环境，助力AI项目的快速推进。
Faster-Rcnn-训练与测试
提前准备
我们先登录进行实例的创建
丹摩DAMODEL
点击创建实例
我们选择这个-----8NVIDIA-GeForce-RTX-4090
在基础镜像中选择这个镜像
然后我们进行密钥的创建
输入自定义的名字然后点击创建就完成了密钥的创建了
然后我们选择刚刚创建的密钥
点击右下角进行创建
等待几分钟就这个实例就创建好了
这个样子就说明我们的实例创建好了
当实例创建好了之后，我们一个软件的下载
mobaxterm（远程连接服务器）
我们在下载的时候将这个创建实例的页面将访问链接进行复制
我的访问链接是
ssh -p 41731 root@cn-north-b.ssh.damodel.com
然后我们打开我们下载好的MobaXterm
按照下面的图片依次进行点击
输入我们的刚刚复制的访问链接
选择我们的密钥，我们在创建的时候是会将密钥进行下载的，我们找到密钥的位置进行选择就行了
进去之后我们输入root然后进行回车的操作
如果是下面的样子的话就是登录成功了
那么这个就说明我们已经登录成功了
然后我们进行一些准备
进行Faster-rcnn 的环境配置
需要下载的代码的链接
下载好后将我们的代码文件拖入/root/workspace/目录下，然后解压
输入下面的命令
unzip mmdetection-3.3.0.zip
然后我们进行环境的配置操作
# 安装mmcv包
pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.1/index.html -i https://mirrors.aliyun.com/pypi/simple/# 从源码安装mmdetection-3.3.0
cd mmdetection-3.3.0
pip install -r requirements/build.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install -v -e ./ -i https://pypi.tuna.tsinghua.edu.cn/simple/# 安装必要包
pip install numpy==1.24.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install setuptools==69.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install instaboostfast -i https://pypi.tuna.tsinghua.edu.cn/simple/# 安装全景分割依赖panopticapi
cd panopticapi
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/
cd ..# 安装 LVIS 数据集依赖
cd lvis-api
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/
cd ..# 安装 albumentations 依赖
pip install -r requirements/albu.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install mmengine -i https://pypi.tuna.tsinghua.edu.cn/simple/
然后你的页面就是这样的
安装好环境之后我们可以输入命令进行测试一下
python 1.py
然后就是这样的
数据集的介绍
-
数据集介绍：COCOMini 数据集用于计算机视觉任务，包含目标检测、实例分割、关键点检测和图像分类等应用。
-
特点与组成部分：
- 多标注：支持多个对象类别的标注，适合上下文理解研究。
- 多样性和复杂性：覆盖多种生活场景（从室内到室外，从城市到自然），提供了丰富的视觉多样性。
- 详细的注释：对象实例有精确的边界框和分割掩码，以及人体关键点标注。
- 80 个对象类别：包括常见的物体类别，如人、动物、交通工具和家具等。
然后我们就可以开始后续的测试了
python ./tools/train.py ./checkpoints/faster-rcnn_r50_fpn_1x_coco.py会自动进行权重的下载的，咱们稍等下就好了
# 经过训练，我们得到pth权重，通过pth权重预测我们的数据集，左侧为真实物体的位置，右侧为预测结果。
# 我们这里直接使用训练好的权重进行预测python tools/test.py ./checkpoints/faster-rcnn_r50_fpn_1x_coco.py ./checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth --show-dir /root/workspace/mmdetection-3.3.0/result/
至此我们的实验结束