BML全功能AI开发平台初体验】公有云数据回流操作流程
BML（Baidu Machine Learning），这是一个面向企业和个人开发者的机器学习集成开发环境，为经典机器学习和深度学习提供了从数据处理、模型训练、模型管理到模型推理的全生命周期管理服务。
BML全功能AI开发平台官网链接：https://ai.baidu.com/bml/
本文章带大家体验数据回流操作，让大家有针对性的对数据进行训练，使你的模型效果大大提升。
效果对比
数据回流之前的结果：
数据回流之后的结果：
结果:{
"log_id": 4704874399842262034,
"results": [
{
"location": {
"height": 69,
"left": 13,
"top": 5,
"width": 26
},
"name": "螺丝",
"score": 0.8808821439743042
},
{
"location": {
"height": 36,
"left": 27,
"top": 58,
"width": 60
},
"name": "螺丝",
"score": 0.8686471581459045
},
{
"location": {
"height": 55,
"left": 46,
"top": 4,
"width": 32
},
"name": "螺丝",
"score": 0.8534561991691589
},
{
"location": {
"height": 48,
"left": 52,
"top": 43,
"width": 69
},
"name": "螺丝",
"score": 0.76649010181427
},
{
"location": {
"height": 28,
"left": 78,
"top": 4,
"width": 31
},
"name": "螺母",
"score": 0.33452606201171875
}
]
}
Process finished with exit code 0
这里数据回流仅仅使用了一张数据比较差的数据集进行二次训练，结果提升显著，不过还是有一点瑕疵。
一、公有云部署API
如果还没有部署的小伙伴，可以查看我这两个文章先进行部署和调用！
【BML全功能AI开发平台初体验】没有服务器也可以实现公有云部署！
【BML全功能AI开发平台初体验】两小时搞定目标检测全流程！
这两篇结合着看即可，可以先看”BML全功能AI开发平台初体验】两小时搞定目标检测全流程！“
二、公有云数据回流
第一步：进入BML总览界面
在BML平台上点击"立即使用"，进入BML总览界面。
第二步：点击云数据回流并授权
第三步：同意协议
这里我们使用螺丝螺母检测进行展示~
添加成功之后会显示出你添加的信息。
第四步：查看数据
点击查看数据
第五步：选择0-40%置信度
我们可以看到有一张图片置信度在0-40%直接，点击即可查看
第六步：查看图片
我们可以看到螺丝的头部识别成了螺母
第七步：保存图片
第八步：选择仅图片
因为我们的数据识别错误挺大的，所以我们选择仅图片，然后去数据集自行标注。
我们选择去看看，查看我们刚才保存的数据集。
第九步：查看无标注图片
选择无标注信息，查看无标注图片
第十步：开始标注
第十一步：保存标注
至此我们回流数据集就标注成功了。
三、新建任务
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。
在左侧目录中找到“计算机视觉模型”，点击“新建任务”可管理本项目的“基本信息”、“配置任务类型”、“添加数据”、“配置网络”等。
这里可以看到我们的版本是V2，因为我们已经训练过一次了。
四、导入数据集
默认就会选择数据集，这里我们无需更改
五、配置网络
在配置网络的过程中，可以选择使用预训练模型百度超大规模数据集-通用检测预训练模型，公开数据集-常规预训练模型。这里我们选择公开数据集-常规预训练模型进行训练，同时网络也分为很多种，这里就不再一一叙述，我们选择SSD进行训练模型：
平台提供了脚本编辑的工具，点击“立即编辑”进行脚本编辑：
一般可以在里面配置一些参数，开发者可以自己修改里面的超参数，这里我们也按照第一次的配置进行训练。
也可以使用其他方式选择你的超参数，这里自行选择。
六、发布模型
这里我们无法进行编辑昵称，只能打别名，因为我们已经发布过了。
七、配置资源
训练模型需要租用服务器或者用自己的服务器，BML平台直接提供了一个配置好的环境，不需要自己买服务器、自己配置环境了，可以说是非常地方便！
这里根据自己的需求选择即可。
点击“提交训练任务”就可以开始训练啦：
训练过程中可以查看自己的训练日志：
当感觉看log枯燥无味的时候，BML也为你提供了可视化展示：
为大家清晰的展示我们的数据回流之后的训练过程~，真的是太棒了！
"训练结束"后还能出一份评估报告：
八、模型部署
点击重启我们的在线部署
选择我们的新版本，点击开始部署
至此，新版本的螺丝螺母模型-公有云部署就完成啦
九、模型调用（你是数据回流操作，这本地肯定有代码）
第一步：点击查看详情
记录下你的调用接口地址，在下方代码部分需要修改API调用接口地址。
第二步：点击控制台，对接口进行赋权
第三步：创建应用
填写你的应用名称、应用归属、公司名称等信息。
创建完成之后会显示你创建的应用信息，也就是对接口进行赋权的应用。
第四步：记录API Key和Secret Key
记录好API Key和Secret Key，下方代码调用的时候需要进行输入授权。
第五步：使用代码调用API接口
在这里我们使用python3调用进行演示。
复制代码到自己本地开始进行调用：
"""
BML 物体检测 调用模型公有云API Python3实现
"""
import json
import base64
import requests
"""
使用 requests 库发送请求
使用 pip（或者 pip3）检查我的 python3 环境是否安装了该库，执行命令
pip freeze | grep requests
若返回值为空，则安装该库
pip install requests
"""
# 目标图片的 本地文件路径，支持jpg/png/bmp格式
IMAGE_FILEPATH = "【您的测试图片地址，例如：./example.jpg】"
# 可选的请求参数
# threshold: 默认值为建议阈值，请在 我的模型-模型效果-完整评估结果-详细评估 查看建议阈值
PARAMS = {"threshold": 0.3}
# 服务详情 中的 接口地址
MODEL_API_URL = "【您的API地址】"
# 调用 API 需要 ACCESS_TOKEN。若已有 ACCESS_TOKEN 则于下方填入该字符串
# 否则，留空 ACCESS_TOKEN，于下方填入 该模型部署的 API_KEY 以及 SECRET_KEY，会自动申请并显示新 ACCESS_TOKEN
ACCESS_TOKEN = "【您的ACESS_TOKEN】"
API_KEY = "【您的API_KEY】"
SECRET_KEY = "【您的SECRET_KEY】"
print("1. 读取目标图片 '{}'".format(IMAGE_FILEPATH))
with open(IMAGE_FILEPATH, 'rb') as f:
base64_data = base64.b64encode(f.read())
base64_str = base64_data.decode('UTF8')
print("将 BASE64 编码后图片的字符串填入 PARAMS 的 'image' 字段")
PARAMS["image"] = base64_str
if not ACCESS_TOKEN:
print("2. ACCESS_TOKEN 为空，调用鉴权接口获取TOKEN")
auth_url = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials" "&client_id={}&client_secret={}".format(API_KEY, SECRET_KEY)
auth_resp = requests.get(auth_url)
auth_resp_json = auth_resp.json()
ACCESS_TOKEN = auth_resp_json["access_token"]
print("新 ACCESS_TOKEN: {}".format(ACCESS_TOKEN))
else:
print("2. 使用已有 ACCESS_TOKEN")
print("3. 向模型接口 'MODEL_API_URL' 发送请求")
request_url = "{}?access_token={}".format(MODEL_API_URL, ACCESS_TOKEN)
response = requests.post(url=request_url, json=PARAMS)
response_json = response.json()
response_str = json.dumps(response_json, indent=4, ensure_ascii=False)
print("结果:{}".format(response_str))
我们只需要修改五个地方即可完成调用
- IMAGE_FILEPATH：设置为自己本地的图片
- MODEL_API_URL：为API接口的地址
- ACCESS_TOKEN：留空即可（一定要把他的删除留空，或者是你自己计* 算出了ACCESS_TOKEN，写在这里也行）
- API_KEY：创建应用的时候产生了，复制过来即可
- SECRET_KEY：创建应用的时候产生了，复制过来即可
第六步：运行代码
数据集展示：
修改完毕之后，运行代码，可以看下方图片，已经运行成功，识别出螺丝数据，螺母还是有一个，但是相比之前已经好太多太多了，这只是更改了一张图片的效果，还是需要多找找相关的数据集进行训练，但是针对于数据回流之前效果提升了很多很多。
结果:{
"log_id": 4704874399842262034,
"results": [
{
"location": {
"height": 69,
"left": 13,
"top": 5,
"width": 26
},
"name": "螺丝",
"score": 0.8808821439743042
},
{
"location": {
"height": 36,
"left": 27,
"top": 58,
"width": 60
},
"name": "螺丝",
"score": 0.8686471581459045
},
{
"location": {
"height": 55,
"left": 46,
"top": 4,
"width": 32
},
"name": "螺丝",
"score": 0.8534561991691589
},
{
"location": {
"height": 48,
"left": 52,
"top": 43,
"width": 69
},
"name": "螺丝",
"score": 0.76649010181427
},
{
"location": {
"height": 28,
"left": 78,
"top": 4,
"width": 31
},
"name": "螺母",
"score": 0.33452606201171875
}
]
}
Process finished with exit code 0
至此，数据回流就全部完毕了，大家赶紧去测试测试自己数据回流之后的模型，看看效果怎么样！！！
十、总结
数据回流操作可以让我们更加有针对性的对数据进行标注，训练等操作，直接展示出我们那些图片置信度比较低，可以针对这种数据进行再次训练，让我们的模型更加完善，更加实用！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
