最近一阵子显卡价格还是太高，单租个服务器挂模型也挺贵的，看BML托管推理服务器价格还行，先记录一下目标检测任务的全流程使用步骤，留着备用。
开发流程
- 新建一个项目，用于关联数据集和模型
- 导入昆虫数据集
- 在项目中新建一个训练任务，并使用刚刚导入的昆虫数据集
- 人工调参/自动超参，对模型进行训练
- 测试模型结果，预测几组图像数据
- 模型发布后在自己业务中调用公有云API
Step 1 新建一个项目
首先打开BML管理页面，在这个界面中可以看到当前支持的深度学习任务类型，也可在左侧目录选择不同深度学习方向。
因为要做的是目标检测，所以只需要在左侧目录中找到“计算机视觉模型”，点击“物体检测”，写个名称加段描述就能新建一个项目了。
Step2 导入数据集
导入数据集这步比我想象中要简单的多，在创建完项目后就能很快找到创建数据集的按钮。这里我选择的是“物体检测”和“矩形框标注”，也可根据自身数据集情况灵活选择。本次使用的是林大那边的昆虫数据集，由于这组数据集中标签文件是xml拓展名，所以推测数据大概率是VOC的格式，故此处尝试选择“xml（特指VOC）”标注格式。
当然，如果要自己制作数据集的话，还是更建议用开源的LabelMe或者支持自动标注的EasyData来做，格式也推荐保存json形式，这样更加通用。等了几分钟就导入成功啦~
Step3 检查导入的数据
对数据集质量不放心的话，还是检查一下数据集质量更稳妥一些。好在BML里面可以在线可视化数据集标注，这点个人感觉还是挺舒服的，省得本地写代码了（懒）
Step4 在训练任务中添加数据
一般数据集是需要划分为“训练集”、“（交叉）验证集”、“测试集”三部分，其中训练集可以衡量模型的拟合能力，交叉验证集和测试集则为模型的泛化能力，划分后模型是否过拟合也就非常清楚了。
虽然验证集和测试集均能反映模型的泛化能力，但由于训练中会对验证集进行评估，最终将保存验证集上表现最优性能的模型。测试集则是在“最佳性能模型”之上再进行一轮评估，最终的评估效果可以降低验证集的偶然性，得到更加客观的模型分数。
当然，如果数据量不是很大的情况下也可不划分测试集，对验证集进行采样同样可以降低一定的偶然性。
在这里，我们可以添加训练数据集，也可自行划分验证集和测试集，数据量10k以下的话可以考虑训练集：验证集：测试集=6：2：2的比例进行划分，超过10k则可以考虑8：1：1或者更高的训练集比例。
Step5 选择训练参数
预训练模型这块不说BML，飞桨PaddlePaddle的预训练模型就已经强的离谱了，Cifar100+预训练模型+ResNet18就轻轻松松让测试集上95%准确率了（不加预训练模型是50%左右）。
网络部分比较推荐Yolo系列的，从兼容性上考虑，其端侧硬件兼容性会更好，而且单阶段目标检测速度也不差。
Step6 开始训练
因为数据量不是很大，这里挑选P4显卡半小时就能训练好了，实测25分钟即可完成训练任务。
Step7 上传图片进行测试
待训练完成后，回到BML的控制台界面，点击左侧目录的模型管理即可看到刚刚训练好的模型。这里我们可以点击“校验模型”，上传一张待推理的图像，看看模型结果是否准确。
可以看到整体上效果还是不错的，昆虫都可以被正确识别，接下来再康康总体的情况如何。
mAP达到70%+，整体上来看还是非常不错的，在目标检测任务中mAP超40%基本上就差不多能拿到不错的结果框了。虽然这个指标看起来还不错，但仍有很大的调优空间，过一阵子试一下自动调参和自动数据增强再体验体验。