案例五：用MMEdu训练SSD_Lite目标检测模型（猫狗）
项目说明：
MMEdu是人工智能视觉算法集成的深度学习开发工具，目前目标检测模块MMDetection支持的SOTA模型有SSD_Lite、FaterRCNN、Yolov3等，支持训练的数据集格式为COCO，更多关于MMDetection功能详见请前往揭秘MMEdu的目标检测模块。本项目使用MMEdu的目标检测模块MMDetection，根据猫狗多目标COCO数据集，训练SSD_Lite模型实现猫狗目标检测。
数据集：本项目使用的是浦育平台公开的猫狗目标检测数据集。目标检测模块MMDetection支持的数据集是COCO格式。如何从零开始制作COCO数据集详见从零开始制作一个COCO格式数据集。
项目步骤：
任务一：训练SSD_Lite猫狗目标检测模型
第0步 导入基础库（建议将库更新为最新版本再导入）
from MMEdu import MMDetection as det
第1步 实例化模型（选择SSD_Lite）
model = det(backbone='SSD_Lite')
第2步 配置基本信息
AI模型训练需要配置的基本信息有三类，分别是：图片分类的类别数量（model.num_classes），模型保存的路径（model.save_fold）和数据集的路径（model.load_dataset）。
model.num_classes = 2 # 猫和狗共2类
model.load_dataset(path='/data/H47U12/cat_dog_det')
model.save_fold = 'checkpoints/det_model/catdogs'
第3步 开始训练模型
model.train(epochs=10 ,lr=0.001,batch_size=4, validate=True)
训练过程中观察输出的每一轮bbox_mAP的变化，判断模型在验证集上的准确率。
任务二：基于预训练模型继续训练
全新开始训练一个模型，一般要花较长时间。因此我们强烈建议在预训练模型的基础上继续训练，哪怕你要分类的数据集和预训练的数据集并不一样。
model.num_classes = 2 # 猫和狗共2类
model.load_dataset(path='/data/H47U12/cat_dog_det')
# 预训练模型权重路线
checkpoint = 'checkpoints/pretrain_ssdlite_mobilenetv2.pth'
model.save_fold = 'checkpoints/det_model/catdogs_pretrain'
#启动cpu容器将device='cpu'，启动GPU容器将device='cuda'
model.train(epochs=10, lr=0.001, validate=True, batch_size = 4, device='cuda', checkpoint=checkpoint)
预训练模型下载地址：https://p6bm2if73b.feishu.cn/drive/folder/fldcnxios44vrIOV9Je3wPLmExf
注：一般训练目标检测模型耗时较久，浦育平台可启动GPU服务器，建议去浦育平台完成模型训练，启动GPU服务器后便可以在训练参数中添加device='cuda'启动GPU训练。
任务三：模型测试（用新的图片完成推理）
第0步 导入基础库（建议将库更新为最新版本再导入）
from MMEdu import MMClassification as cls
第1步 实例化模型
model = cls(backbone='SSD_Lite')
第2步 指定模型权重文件的所在路径
checkpoint = 'checkpoints/det_model/best_bbox_mAP_epoch_7.pth' # 指定权重文件路径
第1步和第2步的模型需对应，首先模型权重需存在，同时还需该模型训练时实例化模型时选择的网络与推理时一致。
第3步 指定图片
img_path = 'picture/2.png' # 指定图片路径
第4步 开始推理
result = model.inference(image=img, show=True, checkpoint = checkpoint,device='cuda') # 模型推理
model.print_result(result) # 结果转换为中文输出
上文简单介绍了如何用MMEdu训练一个目标检测模型，更多关于MMEdu模型训练和推理的方法详见请前往揭秘MMEdu的目标检测模块。
任务四：模型转换和应用
同样的，可以在模型应用前先完成模型转换，目标检测模型转换的代码风格和图像分类类似。
from MMEdu import MMDetection as det
model = det(backbone='SSD_Lite')
checkpoint = 'checkpoints/best_bbox_mAP_epoch_7.pth'
out_file='cats_dogs_det.onnx' # 指定输出的文件即转换后的文件
model.convert(checkpoint=checkpoint, backend="ONNX", out_file=out_file)
模型应用的基础代码：
from XEdu.hub import Workflow as wf
mmdet = wf(task='mmedu',checkpoint='cats_dogs_det.onnx')# 指定使用的onnx模型
result, result_img = mmdet.inference(data='/data/H47U12/cat_dog_det/images/valid/001.jpg',img_type='cv2')# 进行模型推理
format_result = mmdet.format_output(lang="zh")# 推理结果格式化输出
mmdet.show(result_img)# 展示推理结果图片
mmdet.save(result_img,'new.jpg')# 保存推理结果图片
此时您可以挑选自己熟悉的硬件，去做自己训练并完成转换的模型部署啦，只需要下载转换的ONNX模型，在硬件上安装库即可。最简单的方式是借助摄像头，再使用OpenCV这个轻松完成图像和视频处理的工具库，实现猫狗实时检测。
from XEdu.hub import Workflow as wf
import cv2
cap = cv2.VideoCapture(0)
mmdet = wf(task='mmedu',checkpoint='cats_dogs_det.onnx')
while cap.isOpened():
ret, img = cap.read()
if not ret:
break
result, result_img= mmdet.inference(data=img,img_type='cv2')
format_result = mmdet.format_output(lang="zh")
cv2.imshow('video', result_img)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
更多模型应用与部署的介绍详见模型应用与部署。