分布式协同AI基准测试KubeEdge-Ianvs快速入门教程

简介

分布式协同AI基准测试KubeEdge-Ianvs是KubeEdge SIG AI孵化的一个全新的社区子项目，主要来解决工业界如下核心痛点：

业务数据集及其配套算法难以获取；
全场景多范式测试成本高；
封闭测试环境难以跟上各类新业务孵化；
个性场景的测试用例准备繁琐；

KubeEdge-Ianvs具备的如下特点：

丰富的AI生态，开箱即用：数据集与配套算法，覆盖开发5+流程，零改造开箱即用；
全场景灵活切换：用例管理统一不同架构与接口，同一套工具兼容5+场景范式；
可扩展开放工具链：环境管理自定义数据集与指标，告别封闭守旧的测试环境；
用例管理辅助生成测试用例，简单的配置即可降低繁琐重复编程；

本文后面将详细介绍KubeEdge-Ianvs如何快速入门。

依赖环境

你需要准备符合如下要求的工作设备：

一台计算机，比如虚拟机、台式机或者笔记本；
可用内存至少有4GB；
可用硬盘空间至少10GB;
已安装python 3.6+；
可访问GitHub和pip等；

在本次案例演示中，设备是带有python3.6的Linux系统。若你的设备是Windows系统，下文介绍的步骤仍然适用，但相关命令可能会有所不同。

安装Ianvs

step1: 下载ianvs仓库。

mkdir /ianvs
cd /ianvs #One might use another path preferred

mkdir project
cd project
git clone https://github.com/kubeedge/ianvs.git

step2: 安装第三方依赖。

sudo apt-get update
sudo apt-get install libgl1-mesa-glx -y
python -m pip install --upgrade pip

cd ianvs
python -m pip install ./examples/resources/third_party/*
python -m pip install -r requirements.txt

step3: 安装 ianvs。

python setup.py install

案例演示

以ianvs仓库中的singletask_learning_bench为例子。

1. 准备测试环境

step1: 准备测试环境的配置文件，请下载testenv.yaml。

testenv:
  dataset:
    # 训练数据集的索引文件地址，当前只支持txt格式；
    train_url: "/ianvs/dataset/train_data/index.txt"
    # 测试数据集的索引文件地址，当前只支持txt格式；
    test_url: "/ianvs/dataset/test_data/index.txt"

  metrics:
      # 用来测试算法的指标，名字和下面介绍的指标函数的别名保持一致；
    - name: "f1_score"
      # 指标函数
      url: "./examples/pcb-aoi/singletask_learning_bench/testenv/f1_score.py"

step2: 准备指标函数，请下载f1_score.py。

from FPN_TensorFlow.libs.label_name_dict.label_dict import NAME_LABEL_MAP
from FPN_TensorFlow.data.io.read_tfrecord import convert_labels
from FPN_TensorFlow.help_utils.tools import get_single_label_dict, single_label_eval
from sedna.common.class_factory import ClassType, ClassFactory

# 标明导入该python文件时可访问到的模块；
# 该例子是说明ianvs系统自动导入该python文件时，只访问f1_score模块；
# 若一个python文件具有较多模块，可用此方法做模块导入限制；
__all__ = ["f1_score"]

# 采用工厂模式注入f1_score模块；
# alias=“f1_score” 是给该模块取一个别名；
@ClassFactory.register(ClassType.GENERAL, alias="f1_score")
def f1_score(y_true, y_pred):
    # y_true是真实标签列表， y_pred是预测值；
    # 本例子中y_true和y_pred都是字典类型，其中预测标签是读一系列包含标签信息的xml文件
    ...
    return f1_score_avg

step3: 准备数据

数据集是工业缺陷检测场景的PCB-AoI数据集，包含了训练数据集和测试数据集。

cd /ianvs #One might use another path preferred
mkdir dataset
cd dataset
wget https://kubeedge.obs.cn-north-1.myhuaweicloud.com:443/ianvs/pcb-aoi/dataset.zip
unzip dataset.zip

2. 准备测试算法

step1: 准备测试算法的配置文件，请下载fpn_algorithm.yaml。

algorithm:
  # AI范式类型，当前例子采用的是singletasklearning
  # 单任务学习：模型训练结束后，就做模型推理，最后做指标计算；
  paradigm_type: "singletasklearning"
  # 初始模型地址
  initial_model_url: "/ianvs/initial_model/model.zip"

  # AI范式包含的算法模块
  modules:
      # basemodel模块，包含了范式中的常用接口，比如train,predict等。
    - type: "basemodel"
      # 模块的别名叫FPN，详细见下面的basemodel.py
      name: "FPN"
      # 模块的python文件
      url: "./examples/pcb-aoi/singletask_learning_bench/testalgorithms/fpn/basemodel.py"

      # 模块的超参配置，支持同一个超参同时测多个值；
      hyperparameters:
        - momentum:
            values:
              - 0.95
              - 0.5
        - learning_rate:
            values:
              - 0.1

注意：点击见如何配置超参数。

step2：准备basemodel模块文件，请下载basemodel.py。

import os
import tempfile
import time
import zipfile
import cv2
import logging

import numpy as np
import tensorflow as tf
import tensorflow.contrib.slim as slim
from sedna.common.config import Context
from sedna.common.class_factory import ClassType, ClassFactory
from FPN_TensorFlow.help_utils.help_utils import draw_box_cv
from FPN_TensorFlow.libs.label_name_dict.label_dict import NAME_LABEL_MAP
from FPN_TensorFlow.data.io.read_tfrecord import next_batch_for_tasks, convert_labels
from FPN_TensorFlow.data.io import image_preprocess
from FPN_TensorFlow.help_utils.tools import mkdir, view_bar, get_single_label_dict, single_label_eval
from FPN_TensorFlow.libs.configs import cfgs
from FPN_TensorFlow.libs.box_utils.show_box_in_tensor import draw_box_with_color, draw_boxes_with_categories
from FPN_TensorFlow.libs.fast_rcnn import build_fast_rcnn
from FPN_TensorFlow.libs.networks.network_factory import get_flags_byname, get_network_byname
from FPN_TensorFlow.libs.rpn import build_rpn

# 标明导入该python文件时可访问到的模块；
# 该例子是说明ianvs系统自动导入该python文件时，只访问BaseModel模块；
# 若一个python文件具有较多模块，可用此方法做模块导入限制；
__all__ = ["BaseModel"]

# 采用工厂模式注入BaseModel模块；
# alias=“FPN” 是给该模块取一个别名；
@ClassFactory.register(ClassType.GENERAL, alias="FPN")
class BaseModel:

    def __init__(self, **kwargs):
        ...

    def train(self, train_data, valid_data=None, **kwargs):
        ...
        # 训练模型的算法函数

    def predict(self, data, input_shape=None, **kwargs):
        ...
        # 模型预测的算法函数

step3: 安装basemodel模块用到的第三方算法包FPN_TensorFlow。

cd /ianvs/project/ianvs/
python -m pip install examples/resources/algorithms/FPN_TensorFlow-0.1-py3-none-any.whl

注意：安装该算法包的前提是设备系统安装python3.6。

step4: 准备初始模型

cd /ianvs #One might use another path preferred
mkdir initial_model
cd initial_model
wget https://kubeedge.obs.cn-north-1.myhuaweicloud.com:443/ianvs/pcb-aoi/model.zip

3. 准备基准测试工作

step1: 准备基准测试工作的配置文件，请下载benchmarkingjob.yaml。

benchmarkingjob:
  # 基准测试工作名
  name: "benchmarkingjob"
  # 基准测试工作空间
  workspace: "/ianvs/singletask_learning_bench/workspace"

  # 测试环境的配置文件
  testenv: "./examples/pcb-aoi/singletask_learning_bench/testenv/testenv.yaml"

  # 测试对象配置
  test_object:
    # 测试类型是测试算法（algorithms）
    type: "algorithms"
    algorithms:
        # 算法名
      - name: "fpn_singletask_learning"
        # 算法配置文件
        url: "./examples/pcb-aoi/singletask_learning_bench/testalgorithms/fpn/fpn_algorithm.yaml"

  # 测试用例排行榜
  rank:
    # 用指标f1_score降序排测试用例
    sort_by: [ { "f1_score": "descend" } ]

    # 可视化配置
    visualization:
      # 只可视化选择的数据（选择的数据配置见下面selected_dataitem配置）
      mode: "selected_only"
      # 可视化方式采用 打印表单
      method: "print_table"

    # 选择数据配置
    selected_dataitem:
      # 选择所有的算法范式
      paradigms: [ "all" ]

      # 选择所有的算法模块
      modules: [ "all" ]
      
      # 选择所有的超参数
      hyperparameters: [ "all" ]
      
      # 选择 f1_score 指标
      metrics: [ "f1_score" ]

    # 保存模式配置，保存选择的数据和所有的输出数据
    # 保存地址工作空间中，相对地址：./rank
    save_mode: "selected_and_all"

4. 运行基准测试工作

ianvs -f ./examples/pcb-aoi/singletask_learning_bench/benchmarkingjob.yaml

5. 查看测试结果

在控制台，你可以看到选择数据后的可视化结果：

rank

algorithm

f1_score

paradigm

basemodel

learning_rate

momentum

time

url

fpn_singletask_learning

0.8396

singletasklearning

FPN

0.1

0.5

2022-07-07 20:33:53

/ianvs/pcb-aoi/singletask_learning_bench/workspace/benchmarkingjob/fpn_singletask_learning/49eb5ffd-fdf0-11ec-8d5d-fa163eaa99d5

fpn_singletask_learning

0.8353

singletasklearning

FPN

0.1

0.95

2022-07-07 20:31:08

/ianvs/pcb-aoi/singletask_learning_bench/workspace/benchmarkingjob/fpn_singletask_learning/49eb5ffc-fdf0-11ec-8d5d-fa163eaa99d5

在基准测试工作空间，你可以看到所有的输出产物。

cd /ianvs/singletask_learning_bench/workspace
tree

附录

KubeEdge-Ianvs项目地址： https://github.com/kubeedge/ianvs

KubeEdge-Ianvs项目文档地址：https://ianvs.readthedocs.io/en/latest/

KubEdge SIG AI地址：https://github.com/kubeedge/community/tree/master/sig-ai

标签： benchmark 测试工具人工智能

本文转载自: https://blog.csdn.net/VectorYang/article/details/126025276
版权归原作者 VectorYang 所有，如有侵权，请联系我们删除。

分布式协同AI基准测试KubeEdge-Ianvs快速入门教程

简介

依赖环境

安装Ianvs

案例演示

1. 准备测试环境

2. 准备测试算法

3. 准备基准测试工作

4. 运行基准测试工作

5. 查看测试结果

附录

发表评论

“分布式协同AI基准测试KubeEdge-Ianvs快速入门教程”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航