设置指南

本文档介绍了如何设置所有依赖项，并可选择创建虚拟机，以运行此存储库中的笔记本。

目录

  1. 安装
  2. 系统要求
  3. 计算环境
  4. 隧道

安装

要安装此存储库及其依赖项，请按照以下简单步骤操作

  1. （可选）安装 Anaconda（Python >= 3.6）。Miniconda。如果在数据科学虚拟机上工作（请参阅计算环境部分），可以跳过此步骤。

  2. 克隆存储库
     git clone https://github.com/Microsoft/computervision-recipes
  3. 安装 conda 环境，您可以在根目录中找到 environment.yml 文件。要构建 conda 环境
     cd computervision-recipes
 conda env create -f environment.yml
  4. 激活 conda 环境并将其注册到 Jupyter
     conda activate cv
 python -m ipykernel install --user --name cv --display-name "Python (cv)"
  5. 启动 Jupyter 笔记本服务器
     jupyter notebook
  6. 此时，您应该能够运行各种场景文件夹中的笔记本。

pip install

作为上述步骤的替代方案，如果您只想安装“utils_cv”库（而不创建新的 conda 环境），可以使用 pip install 完成。请注意，这不会下载笔记本。

pip install git+https://github.com/microsoft/ComputerVision.git@master#egg=utils_cv

系统要求

要求

请注意，PyTorch 在 Windows 上的运行速度比在 Linux 上慢。这是一个已知问题，它会影响模型训练，并且是由于并行数据加载造成的。对于计算密集型训练任务（例如对象检测）和标准 GPU，这种差异通常低于 10%。然而，对于图像分类，如果使用快速 GPU（例如 V100）并可能使用大图像，Windows 上的训练速度可能比 Linux 慢数倍。

依赖项

确保您的机器上安装了 CUDA Toolkit 9.0 或更高版本。您可以在终端中运行以下命令进行检查。

nvcc --version

如果您没有 CUDA Toolkit 或版本不正确，请从此处下载：CUDA Toolkit

计算环境

许多计算机视觉场景的计算量都非常大。训练模型通常需要一台具有强大 GPU 的机器，否则会太慢。

最简单的入门方法是使用 Azure 数据科学虚拟机 (DSVM)。此 VM 将安装运行此存储库中笔记本所需的所有系统要求。如果您选择此选项，则可以跳过本指南中的系统要求步骤，因为这些要求已预安装在 DSVM 上。

在创建 Azure DSVM 之前，您需要决定要哪种 VM 大小。有些 VM 有 GPU，有些有多个 GPU，有些根本没有 GPU。对于此存储库，我们建议选择大小为 Standard_NC6_v3 的 Ubuntu VM。Standard_NC6_v3 使用 Nvidia Tesla V100，这将帮助我们训练计算机视觉模型并快速迭代。

对于 Azure 新用户，您的订阅可能没有 GPU 配额。您可能需要进入 Azure 门户增加 GPU VM 的配额。在此处了解更多操作方法：https://docs.microsoft.com/en-us/azure/azure-subscription-service-limits。

以下是一些创建 DSVM 的方法

使用 Azure 门户或 CLI 预配数据科学 VM

您还可以直接使用 Azure 门户启动数据科学 VM。为此，请按照此链接操作，该链接将向您展示如何通过门户预配数据科学 VM。

您也可以使用 Azure 命令行 (CLI)。按照此链接了解有关 Azure CLI 及其如何用于预配资源的更多信息。

虚拟机生成器

创建 DSVM 的一种简单方法是使用位于存储库根目录中“contrib”文件夹内的 VM Builder 工具。请注意，此工具仅在 Linux 和 Mac 上运行，并且维护不佳，可能会停止工作。只需在存储库的根目录运行 python contrib/vm_builder/vm_builder.py，此工具将使用适用于此存储库的适当设置预配置您的虚拟机。

隧道

如果您的计算环境位于云中的 Linux VM 上，您可以使用以下命令从 VM 到本地计算机打开一个隧道

$ssh -L local_port:remote_address:remote_port  <username>@<server-ip>

例如，如果我想在我的 VM 上运行 jupyter notebook --port 8888，并且我希望在我的本地浏览器上运行 Jupyter 笔记本 localhost:9999，我将使用以下命令 SSH 到我的 VM

$ssh -L 9999:localhost:8888 <username>@<server-ip>

此命令将允许您的本地机器的端口 9999 访问您的远程机器的端口 8888。