OpenMMLab-AI实战营第二期——3.基于RTMPose的耳朵穴位关键点检测（Colab+MMPose）

news2024/11/26 8:47:26

文章目录

  • 1. Colab和Google云端硬盘
    • 1.1 建立项目文件和jupyter文件
    • 1.2 Colab运行时选择
    • 1.3 关联Colab中的文件和Google云端硬盘的文件
  • 2. Colab和MMPose
    • 2.1 环境配置
    • 2.2 配置文件修改
  • 3. Colab相关知识

1. Colab和Google云端硬盘

参考：

  • 利用Colab上的TPU训练Keras模型（完整版）
  • 使用colab进行深度学习训练
  • 利用colab实现AI绘画自由

1.1 建立项目文件和jupyter文件

进入谷歌云，建立一个当前项目的文件夹，同时里面必须有一个.ipynb文件（后续直接用colab打开这个文件），项目结构类似：

|--OpenMMLab
	|--Exercise1
		|--checkpoint
		|--outputs
		|--Config
		|--exercise1.ipynb
	|--Exercise2
	...

总之把你希望要保留的文件都建立相应的文件夹，然后第一次打开.ipynb的时候，记得选择Colab，此时，这个文件就和Google云端硬盘关联了，在colab中对这个文件进行修改，会保存到Google云端硬盘中。
在这里插入图片描述

1.2 Colab运行时选择

有两种方式可以选：

  1. 修改->笔记本设置，可以选GPU，也可以选TPU，随便选吧
    在这里插入图片描述
  2. 右上角有个资源显示，点击，选择更改运行时类型
    在这里插入图片描述

注意：

  • 选择更改运行时类型后，之前程序运行的变量和文件都会被删除（jupyter文件不会删除，之前建立的和Google文件的关联，包括上传的文件，都会倍删除）。
  • 所以一定要先选好运行时，再去进行剩下的操作。
  • 选好运行时之后，右上方会变成“正在初始化” “分配”之类的状态，分配完成后，能看到RAM及磁盘使用情况说明分配到资源了，如果显示“重新连接”或者“忙碌”状态，说明没有分到。。
  • 但是我遇到了一开始有分配资源，能看到RAM等，但是跑了一段时间，变成忙碌了。。同时下面还显示红色叹号时间，但是训练还在继续（而且好像还是在GPU上训练的。）
    在这里插入图片描述

1.3 关联Colab中的文件和Google云端硬盘的文件

由于Colab中的命令行是pro版本才可以使用的，所以想使用命令行只能在jupyter借助! cmd来实现

注意，先选好运行时，再进行文件的关联，不然去新的运行时之后，还要再重来一遍。

!pwd
> /content
# 说明当前默认的根目录是/content
from google.colab import drive
drive.mount('/content/drive')
# 可以理解成本机和镜像里文件对应的意思，即 Colab中的/content 对应Google云端硬盘的 /content/drive
# 这只是目录对应，但是如果想在Colab看到这个文件，需要建立关联（软连接）

!ln -s /content/drive/'My Drive'/OpenMMLab /content/OpenMMLab
#建立软连接后，就可以在Colab左侧看到这个文件夹了，在Colab中对/content/OpenMMLab中内容进行的操作，在Google中也可以看到

# 如果搞不清在Colab的路径，就
import os
print(os.getcwd())

另外，如果要解压文件的话，例如：

# 关联到content的直接目录下
!ln -s /content/drive/'My Drive'/Ear210_Dataset_coco.zip /content

# 解压要指定目录，用-d,如果不指定解压目录的话，你就找不到解压后的文件夹了。。
!unzip /content/Ear210_Dataset_coco.zip  -d /content/

参考：stackoverflow.com-Extract Google Drive zip from Google colab notebook

2. Colab和MMPose

2.1 环境配置

# 查看当前版本，Colab的环境非常新，是py3.10+pytorch 2.0.1+cu118
!pip show torch
> Name: torch
Version: 2.0.1+cu118
Summary: Tensors and Dynamic neural networks in Python with strong GPU acceleration
Home-page: https://pytorch.org/
Author: PyTorch Team
Author-email: packages@pytorch.org
License: BSD-3
Location: /usr/local/lib/python3.10/dist-packages
Requires: filelock, jinja2, networkx, sympy, triton, typing-extensions
Required-by: fastai, torchaudio, torchdata, torchtext, torchvision, triton

环境太新，导致后面安装mmcv的时候找不到现成的wheel，需要从tar.gz编译，编译一直过不去，mmcv一直卡在：Building wheels for collected packages: mmcv。可以看看文档，后来使用编译还是会卡住。

参考：

  • Installation takes forever #1386
  • Colab stuck at Building wheels for collected packages: mmcv-full #6909
  • mmcv Documentation-常见问题-安装问题,P65

所以对Colab中默认的torch版本降级，

"""
1. 降级pytorch
py3.10支持的torch版本，和参考链接里不太一样，自己可以根据提示支持的版本去调整。
"""
!pip3 install install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

"""
2.安装其他包
由于pycocotools这个包容易出问题，所以安装完可以再确认一下
"""
!pip install -U openmim
!mim install mmengine
!pip install opencv-python pillow matplotlib seaborn tqdm pycocotools -i https://pypi.tuna.tsinghua.edu.cn/simple

!pip show pycocotools #确认

"""
3. 安装OpenMMLab系列的包，用mim安装
"""
!mim install 'mmcv==2.0.0rc3'
!mim install "mmdet>=3.0.0rc6"

"""
4. 从git安装mmpose和mmdetection
"""
import os
print(os.getcwd()) # 随时查看自己的当前执行目录，不然可能就会安装到自己不希望的位置
> /content

#------1.mmpose--------
# 删掉原有的 mmpose 文件夹（如有）
!rm -rf mmpose
!git clone https://github.com/open-mmlab/mmpose.git -b tutorial2023

# 进入主目录
import os
os.chdir('mmpose')
print(os.getcwd())
!mim install -e .

!pip show mmpose # 验证
> Name: mmpose
Version: 1.0.0
Summary: OpenMMLab Pose Estimation Toolbox and Benchmark.
Home-page: https://github.com/open-mmlab/mmpose

#-------2. mmdetection------
#先切换目录
print(os.getcwd())
os.chdir('../')
print(os.getcwd())
>/content/mmpose
/content

# 删掉原有的 mmdetection 文件夹（如有）
!rm -rf mmdetection

# 从 github 上下载最新的 mmdetection 源代码
!git clone https://github.com/open-mmlab/mmdetection.git -b 3.x

# 进入主目录
os.chdir('mmdetection')
print(os.getcwd())
!pip install -v -e .

!pip show mmdet #验证
>Name: mmdet
Version: 3.0.0
Summary: OpenMMLab Detection Toolbox and Benchmark
Home-page: https://github.com/open-mmlab/mmdetection

#-----3. 检查环境---------

os.chdir('../') #切换会默认目录/content，为后续执行做准备
print(os.getcwd())
>/
# 检查 Pytorch
import torch, torchvision
print('Pytorch 版本', torch.__version__)
print('CUDA 是否可用',torch.cuda.is_available())

# 检查 mmcv
import mmcv
from mmcv.ops import get_compiling_cuda_version, get_compiler_version
print('MMCV版本', mmcv.__version__)
print('CUDA版本', get_compiling_cuda_version())
print('编译器版本', get_compiler_version())
> Pytorch 版本 1.11.0+cu113
CUDA 是否可用 True
MMCV版本 2.0.0
CUDA版本 11.3
编译器版本 GCC 9.3

参考：colab安装mmcv-full和mmclassification

2.2 配置文件修改

由于是初学，所以这里并不改什么网络结构，训练参数，只是改一下数据文件位置，保证这个程序能跑起来。
当前的目录结构：

|--content
	|--Ear210_Keypoint_Dataset_coco
	|--rtmdet_tiny_ear.py
	|--mmpose
	|--mmdetection
	|--.exercise1.ipynb(其实应该还有个隐藏的exercise.ipynb文件，就是你当前执行所在的笔记本)

rtmdet_tiny_ear.py文件中的数据配置

# 数据集类型及路径
dataset_type = 'CocoDataset'
# 如果 rtmdet_tiny_ear.py和Ear210_Keypoint_Dataset_coco同级，可以直接
data_root = 'Ear210_Keypoint_Dataset_coco/' #主要是这个
# 否则 最好
data_root = '/content/Ear210_Keypoint_Dataset_coco/' #主要是这个

metainfo = {'classes': ('ear',)}
NUM_CLASSES = len(metainfo['classes'])

训练使用的命令：

# 为了防止找不到，所以都直接使用了一个绝对目录
!python /content/mmpose/tools/train.py --work-dir /content/work_dir/rtmpose_small_ear /content/rtmpose_tiny_ear.py

如果不在命令行指定，或在config中修改work_dir的话，

  • 则默认就是在当前这个jupyter执行的同级目录下创建work_dir，
  • 例如：work_dir = './work_dirs/rtmdet_tiny_ear'，都没有/content，所以默认会放在一个当前用户不可见的位置。

跑的时候可以看看，GPU利用率大概是多高，可以调调。
在这里插入图片描述

参考：

  • ✅mmdetection-Train a model
  • mmdetectionV2 + colab 超详细目标检测攻略，学生党入门必看

3. Colab相关知识

参考：Colaboratory-常见问题解答

1. 我的笔记本存储在什么地方？可以共享吗？

Colab 笔记本存储在 Google 云端硬盘上，也可以从 GitHub 加载。您可以共享 Colab 笔记本，就像使用 Google 文档或表格一样。只需点击任一 Colab 笔记本右上角的“共享”按钮，或按照相关 Google 云端硬盘文件共享说明操作。

2. Colab 中的笔记本可以运行多久？

Colab 会优先处理交互式计算。如果您的系统处于空闲状态，运行时将超时。

  1. 在免费版 Colab 中，笔记本最长可以运行 12 小时，具体取决于实际可用情况和您的使用模式。Colab Pro、Pro+ 和随用随付方案会基于您的计算单元余量为您提供更多可用的计算资源。
  2. 通常，笔记本最长可以运行 12 小时，具体取决于实际可用情况和您的使用模式。购买 Pro、Pro+ 或随用随付方案后，如果您的可用计算单元已用尽，那么代码执行可在后端终止。
    如果您有足够的计算单元，Colab Pro+ 支持代码连续执行长达 24 小时。只有在代码执行终止后才会应用空闲超时。

所以最好设置当前页面一直是活跃状态，

  • 参考使用Colab训练步骤（有点mmdetection内容），
  • 但是把上面js代码放到浏览器的console报错了。
  • 上面的那种设置已经无效了，新的可用的是：stackoverflow.com-How to keep the google colab running without disconnecting in 2022

在浏览器的开发者工具的控制台里，输入以下函数

var sw = function ConnectButton(){
    console.log("Connect pushed"); 
    document.querySelector("#top-toolbar > colab-connect-button").shadowRoot.querySelector("#connect").click() 
}
setInterval(ConnectButton,60000);

# 如果要清除上面的触发器的话，可以。不用sw接也可以，默认function会返回一个数值，clear那个数值即可
clearInterval(sw)

但是好像用处不大？？？

参考：

  • stackoverflow.com：Stop setInterval call in JavaScript

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/608408.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

RVOS操作系统内存管理简单实现-02

RVOS操作系统内存管理简单实现-02

RVOS操作系统内存管理简单实现-02 内存管理分类内存映射表（Memory Map)Linker Script 链接脚本语法基于符号定义获取程序运行时内存分布 基于 Page 实现动态内存分配代码讲解调试 扩展 本系列参考: 学习开发一个RISC-V上的操作系统 - 汪辰 - 2021春 整理而来&#x…
阅读更多...
6-3 简单贪心（思想！不难）（看看这就这？）

6-3 简单贪心（思想！不难）（看看这就这？）

贪心入门 贪心概念 贪心算法(又称贪婪算法)是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。 贪心算法不是对所有问题都能得到整体最优解&#x…
阅读更多...
【自制C++深度学习推理框架】卷积层的设计思路

【自制C++深度学习推理框架】卷积层的设计思路

卷积层的设计思路 使用Im2Col来实现高性能卷积 在深度学习中实现高性能卷积有以下几个方法： 并行计算：在网络或硬件层面上，利用并行计算的优势对卷积过程进行加速，例如使用GPU。 转换卷积算法：卷积操作可由矩阵相乘…
阅读更多...
【生成数据】随机漫步

【生成数据】随机漫步

使用python来生成随机漫步数据，再使用matplotlib将这些数据呈现出来。 随机漫步：每次行走都是完全随机的，没有明确的方向，结果是由一系列随机决策决定的。也可以这么认为，随机漫步就是蚂蚁在晕头转向的情况下&#xff…
阅读更多...
DNS详解

DNS详解

2.4 DNS：因特网的目录服务 我们首先要了解域名和IP地址的区别。IP地址是互联网上计算机唯一的逻辑地址，通过IP地址实现不同计算机之间的相互通信，每台联网计算机都需要通过IP地址来互相联系和分别。 但由于IP地址是由一串容易混淆的数字串构成…
阅读更多...
Java String ，StringBuffer 和 StringBuilder 类

Java String ，StringBuffer 和 StringBuilder 类

文章目录 一、Java String 类二、Java StringBuffer 和 StringBuilder 类总结 一、Java String 类 字符串广泛应用 在 Java 编程中，在 Java 中字符串属于对象，Java 提供了 String 类来创建和操作字符串。 创建字符串 创建字符串最简单的方式如下: St…
阅读更多...
SiLu激活函数解释

SiLu激活函数解释

SiLu激活函数 在yolo v5中，我们使用了SiLu激活函数 首先，了解一下激活函数的作用： 激活函数在神经网络中起到了非常重要的作用。以下是激活函数的一些主要功能： 引入非线性：激活函数的主要目标是在模型中引入非线性…
阅读更多...
STM32F7xx Keil5 RTX RL-TCPnet DP83822移植

STM32F7xx Keil5 RTX RL-TCPnet DP83822移植

使用之前RTX工程模板 RTE中RL-TCPnet配置 暂时全部默认配置，DHCP已打开 修改RTE_Device.h ETH配置 修改DP83822驱动 去掉文件只读属性，之后需要修改，添加到工程 修改DP83822 ID RTE创建tcp server例程，参考该例程，进…
阅读更多...
2023.6.4 第五十六次周报

2023.6.4 第五十六次周报

目录 前言 文献阅读：一种预测中国东海岸非平稳和不规则波的VMD-LSTM/GRU混合模型 背景 研究区域和数据 VMD LSTM/GRU预测模型 VMD-LSTM/GRU 方法的数值算法 序列的非平稳分析 神经网络设计 结论 代码：lstm预测污染物浓度 总结 前言 I read …
阅读更多...
ChatGPT结合Excel公式办公 —— ChatGPT统计富豪信息

ChatGPT结合Excel公式办公 —— ChatGPT统计富豪信息

💧 C h a t G P T 统计富豪信息 \color{#FF1493}{ChatGPT统计富豪信息} ChatGPT统计富豪信息💧 🌷 仰望天空，妳我亦是行人.✨ 🦄 个人主页——微风撞见云的博客🎐 🐳 《数据结构与算法…
阅读更多...
设计原则-里氏替换原则

设计原则-里氏替换原则

凡事皆有利弊，面向对象设计语言通过提供继承、多态等机制使得项目代码更具有复用性、可扩展性等优点，但是这些机制也存在一定的使用风险，比如继承的滥用、多态实现的不确定性等问题都有可能会引起重大线上事故。 一、里氏替换原则概念 里氏…
阅读更多...
智能计算补充（从第四章p44往后）

智能计算补充（从第四章p44往后）

智能计算补充（从第四章p44往后） 本文内容大部分来自于任振兴老师的讲课PPT，主要是对老师PPT内容的总结和提炼，侵权请联系我删除。 文章目录 智能计算补充（从第四章p44往后）适应度尺度变换1、适应度尺度变换…
阅读更多...
DicomObjects.Core 3.0.17 Crack

DicomObjects.Core 3.0.17 Crack

DicomObjects.NET 核心版简介 DicomObjects.Core Assembly DicomObjects.NET 核心版简介 DicomObjects.Core 由一组相互关联但独立的 .核心兼容的“对象”，使开发人员能够快速轻松地将DICOM功能添加到其产品中，而无需了解或编程DICOM标准的复杂性。此帮助…
阅读更多...
Golang 协程/线程/进程 区别以及 GMP 详解

Golang 协程/线程/进程 区别以及 GMP 详解

Golang 协程/线程/进程 区别详解 转载请注明来源：https://janrs.com/mffp 概念 进程 每个进程都有自己的独立内存空间，拥有自己独立的地址空间、独立的堆和栈，既不共享堆，亦不共享栈。一个程序至少有一个进程，一个进程…
阅读更多...
数据库多表设计

数据库多表设计

说明：在项目的数据库设计时，表与表之间是有联系的，如学生管理系统中，有部门表，教师表、学生表、课程表等等 一位教师隶属于一个部门，一个部门有多位教师，因此部门表和教师表，是一对…
阅读更多...
【c++修行之路】c++11特性--上

【c++修行之路】c++11特性--上

文章目录 前言列表初始化用法介绍原理：std::initializer_list 简化声明的方式autodecltype 右值引用移动构造万能引用和完美转发万能引用完美转发 类的新增功能可变参数模板lambda表达式深入探究lambda表达式lambda表达式带来的便利结语 前言 大家好久不见&#xf…
阅读更多...
bmp文件格式与保存

bmp文件格式与保存

BMP文件由三部分组成，分辨是文件头，DIM头和像素数据。具体格式如下： 基本介绍 1. 文件头 14个字节 signature： 为文件标志位，恒为0X42 FileSize：是指整个文件的大小 REservedx：保留位恒为0 …
阅读更多...
leetcode700. 二叉搜索树中的搜索(java)

leetcode700. 二叉搜索树中的搜索(java)

二叉搜索树中的搜索 leetcode700 二叉搜索树中的搜索题目描述 解题思路代码演示二叉树专题 leetcode700 二叉搜索树中的搜索 leetcode 700 二叉搜索树中的搜索。 来源：力扣（LeetCode） 链接：https://leetcode.cn/problems/search-i…
阅读更多...
chatgpt赋能python：Python去掉GIL：提升Python多线程编程性能的突破口

chatgpt赋能python：Python去掉GIL：提升Python多线程编程性能的突破口

Python去掉GIL：提升Python多线程编程性能的突破口 Python 是世界上最受欢迎的编程语言之一，其中一大原因是其简单易用、优雅简洁的语法。Python 也是一个卓越的多用途编程语言，广泛应用于 Web 开发、科学计算、人工智能等领域。但是&#xf…
阅读更多...
javaScript蓝桥杯-----宝贵的一票

javaScript蓝桥杯-----宝贵的一票

目录 一、介绍二、准备三、目标四、代码五、检测踩坑！！六、完成 一、介绍 公司经常举办各种活动，但一到投票环节就犯了难，于是公司决定安排小蓝开发一个投票系统，更好的收集大家的投票信息。为了赶在下一次活动开始前…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023