一、项目出发点

AI Studio为我们提供了免费的GPU资源，当我们在NoteBook环境中把代码调试成功后，通常一个训练任务耗时较长，而Notebook离线运行有时长限制，一不小心就容易被kill掉。

如何解决这一问题？

后台任务帮到你！有关什么是后台任务，以及如何起一个后台任务，官方已经出了相关教程。

本次分享将基于笔者的一个任务需求-SAR图像目标检测，带领大家从0到1跑通一个检测任务的后台训练，希望能为有类似需求的同学提供一点帮助。

二、Notebook离线调试

数据集准备

这一步是为模型训练做好准备

数据集获取有两种方式：

在AI Studio平台-数据集中搜索是否有自己需要的数据集；如果是自己收集的数据，首先需要制作成为VOC 或者 COCO 格式的数据，这里笔者已经把一个SAR图像目标检测数据集SSDD制作好了，然后上传到了AI Studio平台SSDD遥感SAR目标检测数据集-COCO格式

新建Notebook任务

新建一个Notebook任务，

AI Studio平台注册账号后，点击创建项目-选择NoteBook任务，然后添加上一步的数据集，参考下图操作（注意数据集选用SSDD遥感SAR目标检测数据集-COCO格式），完成项目创建。

环境准备

本次任务我们将采用PaddleDetection框架完成训练任务，为此需要先将PaddleDetection下载到本地:

git clone https://github.com/PaddlePaddle/PaddleDetection.git# 如果下载失败，换成gitee源git clone https://gitee.com/PaddlePaddle/PaddleDetection.git

安装环境依赖：

cd PaddleDetectionpip install -r requirements.txt# 编译安装paddledetpython setup.py install

测试是否安装成功：

python ppdet/modeling/tests/test_architectures.py

如果出现下图，说明安装成功：

准备任务调试

为了完成训练任务，我们需要准备两个配置文件：

数据集配置文件

在`PaddleDetection/configs/datasets`中新建coco_detection_ssdd.yml其中写入：metric: COCOnum_classes: 1TrainDataset: name: COCODataSet image_dir: JPEGImages anno_path: train.json dataset_dir: /home/aistudio/datasets/ssdd/ data_fields: ['image', 'gt_bbox', 'gt_class', 'is_crowd']EvalDataset: name: COCODataSet image_dir: JPEGImages anno_path: val.json dataset_dir: /home/aistudio/datasets/ssdd/ allow_empty: trueTestDataset: name: ImageFolder anno_path: val.json # also support txt (like VOC's label_list.txt) dataset_dir: /home/aistudio/datasets/ssdd/ # if set, anno_path will be 'dataset_dir/anno_path' 模型配置文件

选择一个检测模型，这里我们以选用picodet为例，在PaddleDetection/configs/picodet/中找到picodet_l_640_coco_lcnet.yml并复制一份，命名为picodet_l_640_ssdd_lcnet.yml，修改其中对应的数据集配置文件即可：

_BASE_: [ '../datasets/coco_detection_ssdd.yml', ...]

这时就可以开启训练任务了：

# 注意：这里需要使用GPU环境，cpu环境训练跑不起来# --eval 代表训练时在验证集上测试训练效果python tools/train.py -c configs/picodet/picodet_l_640_ssdd_lcnet.yml --eval

如果没问题的话，可以看到训练日志，接下来就可以创建后台任务，将这一训练放到后台去跑了。

三、后台任务创建

主文件准备

后台任务对上传文件数量和大小都有限制，为此我们不能将dataset和PaddleDetection都上传，这时就需要我们在NoteBook中手动下载需要的数据，并进行必要的操作完成环境准备。这里我们以新建main.ipynb为例，在cell中写入如下代码，主要分为以下几个步骤：

解压数据

!mkdir -p /home/aistudio/datasets/!unzip -qo /home/aistudio/data/data264241/ssdd.zip -d /home/aistudio/datasets/ 环境配置

!git clone https://gitee.com/PaddlePaddle/PaddleDetection.git%cd PaddleDetection/!pip install -r requirements.txt!python setup.py install!python ppdet/modeling/tests/test_architectures.py 开启训练

注意：这里需要将上一步中新建的配置文件coco_detection_ssdd.yml和picodet_l_640_ssdd_lcnet.yml放到下载的PaddleDetection文件夹中

!cp /home/aistudio/coco_detection_ssdd.yml /home/aistudio//configs/datasets/!cp /home/aistudio/picodet_l_640_ssdd_lcnet.yml /home/aistudio/PaddleDetection/configs/picodet/!python tools/train.py -c configs/picodet/picodet_l_640_ssdd_lcnet.yml --eval

版本构建

创建后台任务之前，需要我们将用到的代码新建一个版本，比如这里我们只需要上传三份代码：

main.ipynbcoco_detection_ssdd.ymlpicodet_l_640_ssdd_lcnet.yml

点击项目栏左侧 版本->版本管理+ ，参考下图勾选需要的文件，点击生成版本即可：

任务构建

完成项目版本创建后，就可以创建后台任务了，点击项目栏左侧 任务->后台任务+，如下图所示，选择刚刚构建的项目版本，并指定执行文件main.ipynb：

点击下一步，就可以看到任务状态已经改变了：

当状态变更为运行中，可以在右侧查看日志，如果有报错，需要对应排除掉bug后再重新按照上述流程提交任务。

如果运行成功，可以看到如下日志，这里显示大约40min后任务会完成：

下载输出

训练完成后，可以到任务后台下载输出，里面保留有训练好的模型权重，便于后续进行模型测试和部署推理。

四、模型预测推理

下载下来的模型权重文件位于PaddleDetection\output\picodet_l_640_ssdd_lcnet，将得到的模型参数文件，上传到我们的项目文件夹中，通过如下代码我们在验证集上评估一下：

python tools/eval.py -c configs/picodet/picodet_l_640_ssdd_lcnet.yml -o weights=output/model_final.pdparams

PicoDet通过100个epoch的训练，在验证集上的mAP@0.5达到了0.965，这个结果已经比很多Paper中报告的结果要好了，感兴趣的同学可以把它当成你的baseline，继续开始你的炼丹之旅吧！

此外，我们还可以打印一张预测结果出来看看：

python tools/infer.py -c configs/picodet/picodet_l_640_ssdd_lcnet.yml -o weights=output/model_final.pdparams --infer_img=../datasets/ssdd/JPEGImages/000031.jpg# 输出结果保存在：Detection bbox results save in output/000031.jpg

让我们打开预测结果看看：

五、模型压缩和推理部署

此外，我们还可以将训练得到的模型进一步压缩，以及转换成部署需要的模型，分别在服务端和手机端进行部署，这部分的具体流程可以参考笔者之前撰写的文档：

【飞桨AI实战】Yolo交通灯检测：手把手带你入门PaddleDetection，从训练到部署

【飞桨AI实战】桃子分类系统部署：手把手带你入门PaddleClas全家桶

六、总结

本项目通过计算机视觉领域中最基础的任务之目标检测，带领大家熟悉如何启动一个AI Studio后台任务，来完成自己的训练任务。案例选自地球科学领域，有现实场景应用需求，本系列的后续文章将沿袭这一思路，继续分享更多采用Paddle深度学习框架服务更多产业应用的案例。