使用 DAMODEL 控制台创建云实例与部署深度学习模型的详细指南
本文将逐步介绍如何使用 DAMODEL 控制台创建云实例、配置 SSH 密钥、上传与下载数据集、以及基于 UNet 网络进行眼底血管分割的完整流程。此指南适用于需要在云端进行深度学习训练的用户，提供详细的操作步骤及代码示例，帮助你快速上手 DAMODEL 平台。
1. 云实例：配置选型与启动
1.1 注册与登录
首先，进入 DAMODEL 的官方网站并进行注册。完成注册后，使用你的账号登录控制台。
- 打开 DAMODEL 控制台，找到“GPU 云实例”部分。
- 点击创建实例，按需选择 GPU 资源，如 NVIDIA RTX 4090。
- 在镜像配置中选择深度学习框架（例如 PyTorch）的预配置镜像，这样可以省去手动安装依赖的麻烦。
1.2 配置 SSH 密钥对
为了方便后续的远程登录，使用 SSH 密钥验证而非密码登录。
-
进入本地终端，使用以下命令创建本地公钥和私钥：
cd ~/.ssh ssh-keygen -o你可以选择将文件命名为
id_dsa，或使用其他名称。
-
在
.ssh目录中你会看到两个文件：id_dsa（私钥）和id_dsa.pub（公钥）。 -
进入 DAMODEL 控制台的密钥对配置页面，选择创建密钥对。将
id_dsa.pub文件中的公钥内容复制到 DAMODEL 控制台上。
1.3 创建云实例
进入 GPU 云实例部分，点击“创建实例”。在配置页面选择所需的 GPU 型号、内存、存储空间等资源配置。确保在密钥对选项中选择之前创建的 SSH 密钥对。
- GPU 选型：推荐根据模型的计算需求选择高性能 GPU，比如 NVIDIA RTX 系列。
- 镜像配置：选择包含 PyTorch 的镜像，避免手动安装深度学习框架。
- 密钥：选择先前配置的 SSH 密钥对。
确认配置后，点击“立即创建”，等待实例启动。
1.4 登录云实例
实例创建完成后，你将看到一个访问链接。使用任何支持 SSH 的工具（如终端、VSCode 等）连接到云实例。
使用以下命令登录到实例：
ssh -i ~/.ssh/id_dsa root@<instance_ip>
成功登录后，运行以下命令验证 GPU 和 CUDA 是否可用：
nvidia-smi
python -c "import torch; print(torch.cuda.is_available())"
如果看到 GPU 显示信息和 True，则说明云实例已正确配置。
2. 云存储：数据集上传与下载
DAMODEL 提供文件存储服务，允许你在不同实例之间共享数据。相比本地数据盘，云存储的优势在于：
- 多实例共享：可以在不同实例中访问相同的数据，便于协作。
- 数据安全：数据有多副本冗余，可靠性更高。
但是，文件存储的 IO 性能可能不如本地盘。因此建议将训练数据先拷贝到本地数据盘再进行训练，以提高 IO 性能。
2.1 上传数据集
你可以使用 scp 命令将本地的数据集上传到云实例的数据盘中。
scp -rP <port_number> <local_data_path> root@<instance_ip>:/root/workspace
示例：
scp -rP 35740 ./DRIVE-SEG-DATA root@cn-north-b.ssh.damodel.com:/root/workspace
这里：
35740是 SSH 端口号。./DRIVE-SEG-DATA是本地数据集路径。/root/workspace是远程实例中的目标路径。
2.2 下载数据集
数据下载的命令与上传类似：
scp -rP <port_number> root@<instance_ip>:/root/workspace ./local_data_path
示例：
scp -rP 35740 root@cn-north-b.ssh.damodel.com:/root/workspace ./DRIVE-SEG-DATA
3. 云开发：眼底血管分割案例
3.1 案例背景
眼底图像分割是医学影像分析中的一个重要任务，特别是在检测视网膜血管时。UNet 网络结构因其强大的分割能力而被广泛应用于医学图像分割任务中。本文通过 DAMODEL 部署深度学习模型，演示如何使用 UNet 网络进行眼底血管分割。
3.2 网络结构
我们将使用 PyTorch 框架搭建 UNet 网络，以下是网络结构的代码：
class UNet(nn.Module):
def __init__(self, n_channels, n_classes, bilinear=True):
super(UNet, self).__init__()
self.n_channels = n_channels
self.n_classes = n_classes
self.bilinear = bilinear
self.inc = DoubleConv(n_channels, 64)
self.down1 = Down(64, 128)
self.down2 = Down(128, 256)
self.down3 = Down(256, 512)
self.down4 = Down(512, 512)
self.up1 = Up(1024, 256, bilinear)
self.up2 = Up(512, 128, bilinear)
self.up3 = Up(256, 64, bilinear)
self.up4 = Up(128, 64, bilinear)
self.outc = OutConv(64, n_classes)
def forward(self, x):
x1 = self.inc(x)
x2 = self.down1(x1)
x3 = self.down2(x2)
x4 = self.down3(x3)
x5 = self.down4(x4)
x = self.up1(x5, x4)
x = self.up2(x, x3)
x = self.up3(x, x2)
x = self.up4(x, x1)
logits = self.outc(x)
return logits
3.3 网络训练
以下是基于 PyTorch 框架的训练代码。它将加载数据集、训练 UNet 模型，并保存最佳模型。
def train_net(net, device, data_path, epochs=40, batch_size=1, lr=0.00001):
dataset = DatasetLoader(data_path)
train_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True)
optimizer = optim.Adam(net.parameters(), lr=lr)
criterion = nn.BCEWithLogitsLoss()
best_loss = float('inf')
for epoch in range(epochs):
net.train()
epoch_loss = 0
for image, label in train_loader:
optimizer.zero_grad()
image = image.to(device)
label = label.to(device)
pred = net(image)
loss = criterion(pred, label)
loss.backward()
optimizer.step()
epoch_loss += loss.item()
print(f"Epoch {epoch+1}, Loss: {epoch_loss}")
if epoch_loss < best_loss:
best_loss = epoch_loss
torch.save(net.state_dict(), 'best_model.pth')
print("Training complete. Best loss:", best_loss)
你可以在训练结束后，通过以下方式可视化损失曲线：
import matplotlib.pyplot as plt
plt.plot(loss_record)
plt.title('Training Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.savefig('/root/shared-storage/results/training_loss.png')
3.4 模型测试
在测试阶段，主要使用 IoU（交并比）指标来评估模型性能。
def cal_miou(test_dir, pred_dir, gt_dir, model_path):
# Load model and prepare for testing
net = UNet(n_channels=1, n_classes=1)
net.load_state_dict(torch.load(model_path))
net.eval()
for image_id in os.listdir(test_dir):
img = cv2.imread(os.path.join(test_dir, image_id), cv2.IMREAD_GRAYSCALE)
pred = net(torch.from_numpy(img).unsqueeze(0).float())
# Post-process and save results
测试结果将输出 IoU 计算值，帮助你判断模型的分割效果。
id), cv2.IMREAD_GRAYSCALE)
pred = net(torch.from_numpy(img).unsqueeze(0).float())
# Post-process and save results
测试结果将输出 IoU 计算值，帮助你判断模型的分割效果。
[外链图片转存中...(img-QwvgExY6-1727158012004)]
---
通过此指南，你可以在 DAMODEL 上完成从实例创建、数据处理到模型训练和测试的整个深度学习开发流程。
