4 训练模型

选择模型架构并创建数据集后，下一步是在新数据集上重新训练模型。

TI 提供了一整套易于使用的模型训练和编译工具。任何训练框架都可用于训练深度学习模型，只要它仅包含器件加速器所支持的层即可。专家可能希望使用他们更熟悉的工具，例如使用 PyTorch 进行训练以及导出到 ONNX 进行编译。经验较少的用户可以使用 TI 的工具，如模型编写器和 edgeai-modelmaker。此处介绍的步骤使用 edgeai-modelmaker。使用 TI 工具的一个优势是，可以在训练结束时自动处理编译，这样可以完全跳过节 5。

Edgeai-modelmaker 一旦设置/安装完毕，即会使用单独的训练框架（如 edgeai-mmdetection）进行训练。这从经过预先训练的模型开始，并通过重置网络的最后一层和使用低学习速率，通过迁移学习进行微调。对于 Model Zoo 中支持的模型，这会下载经过预先训练的权重。请注意，使用此过程时，最后一层之前的层不会 冻结，并且在训练期间会发生变化。

训练模型的步骤如下；请参考 modelmaker 自述文件获得最新的说明：

• 设置 modelmaker 存储库，其中包括设置其他训练框架和 TI 工具。它们被保存在同一父目录中。edgeai-modelmaker 存储库中有一个 setup_all.sh 脚本可以处理此问题，包括为其他训练框架进行设置。
  • 推荐使用 Python 3.6 的虚拟 Python 环境。
• 将训练样本/文件放入“edgeai-modelmaker/data/projects/PROJECT_NAME”。
  • 在其中一个示例配置 YAML 文件上运行 modelmaker 以查看这些目录的结构。它遵循 COCO 格式，具有一个“annotations”目录（包含一个 COCO 格式的“instances.json”文件）和一个图像目录。
  • 这些图像必须都位于同一目录（称为 images）中，不包含任何子目录。训练框架假定所有图像文件都位于同一“images”目录中。
• 创建一个指向项目数据的配置文件，选择模型、训练参数等。有关更多信息，请参阅 config_detect_foods.yaml 中的示例。
• 使用上面的配置文件作为第一个参数运行启动脚本“run_modelmaker.sh”。
  • 请参阅 modelmaker 的自述文件以了解如何设置器件目标，因为 AM62A 等处理器包含不同的 C7xMMA 深度学习加速器，因此该目标架构的编译工具与 TDA4VM、AM68A 等不同。它依赖于 TIDL_TOOLS_PATH 环境变量，如果未预定义该变量，SH 脚本将设置该变量。

如果训练机器上存在 GPU，强烈建议将其配置用于训练，因为它可以大幅提高速度。在配置中，重要的是确保 CUDA 版本与编译 Pytorch/torchvision 时使用的版本一致。撰写本文时随 modelmaker 一起提供的是 CUDA 11.3。正确设置这些驱动程序可能是一个棘手问题，因为 CUDA 版本与 NVIDIA 显示/图形驱动程序之间存在某种关系。

如果数据集相当小（少于 10000 张图像），可以从一个网络开始，该网络在大型通用数据集（如用于图像分类的 imagenet1k 或用于对象检测的 COCO）上经过预先训练。较大网络的参数数量增加，因此通常需要更多样本用于训练

对于包含大约 2500 张图像的食品识别数据集（在训练集和测试集分割并增强之后），在具有 12 核 CPU、16GB RAM 和 SSD 的 A2000 GPU (6GB VRAM) 上进行训练大约需要 1.5 小时，共进行 30 个 epoch 的训练。该数据集的平均精度均值（mAP；一个常用的对象检测精度指标）得分达到 0.68，非常高。这源于两个事实：

• 训练框架使用的验证集会自动包括增强后的文件，因此某些验证数据与部分训练样本非常相似，从而提高所报告的准确性。
• 环境/背景受到严格控制以提供一致性。该模型在有限的上下文中表现良好，但可能无法很好地推广到全新的设置，例如尝试在绿色或蓝色背景下识别对象。这可能重要，也可能不重要，具体取决于用例。 ⁽¹⁾

未针对零售扫描仪模型执行最终测试集的完整评估。相反，在进入下一阶段之前进行了目视检查，确定模型的表现相当好。通过改变 epoch 数量、增强程度和增强种类，进行了多次训练迭代。