解决AutoDL中使用公用网盘AutoPanel传输大容量数据时较慢的问题

        我们在租用AutoDL时难免会上传一些数据集,当数据集的容量较大时,采用AutoDL官方文档提供的操作,发现上传速度非常慢,这就导致我们会白白浪费云服务器资源,所以,作者在经过几次试错后发现如下解决方法,可以解决这个问题,在很大程度上提升了文件传输的速度。

        首先,我们先将要上传的数据集文件进行压缩(作者压缩的格式为:.zar格式,其他格式也行,只不过在后面解压的过程中,程序稍有不同),在按照官方文档的操作方法,将压缩包下载到实例中,下面为官方文档的地址链接:

https://www.autodl.com/docs/netdisk/

下载好后,如下图所示:

 接下来我们在系统盘下新建一个python文件,作者命名为jieya.py,如下图:

输入以下程序:

import zipfile
 
f = zipfile.ZipFile("autodl-tmp/training.zip",'r') # 压缩文件在jupyter中的位置(注意区分是本地路径还是远程服务器路径)
for file in f.namelist():
    f.extract(file,"autodl-tmp")              # 解压到的位置  
f.close()

最后在终端输入:

python jieya.py

这样数据集就下载到实例中了。

注:作者亲测下载压缩包时速度非常快(2.9G的压缩包,三分钟下载完成,解压不超过两分钟),但下载整个数据集文件夹时非常慢(3.2G的文件耗时近三个小时),而且可能存在上传不完整的情况,但也不排除,有人非常顺利就能下载整个文件夹的情况,所以,此篇文章是为了给在按照官方操作文档进行下载,速度较慢时的另一种解决方案,缺点是步骤稍微繁琐一点。

AutoDL是一个自动化深度学习框架,它可以帮助用户自动化地进行模型选择、超参数调优和模型训练。COCO(Common Objects in Context)数据集是一个广泛使用的目标检测、分割和关键点检测数据集。 要在AutoDL使用COCO数据集,你需要按照以下步骤进行操作: 1. 下载COCO数据集:首先,你需要从COCO官方网站下载COCO数据集。该数据集包含了大量的图像和对应的标注信息,可以用于目标检测、分割和关键点检测任务。 2. 数据预处理:在使用COCO数据集之前,你可能需要对数据进行一些预处理操作,例如将图像和标注信息转换为模型可接受的格式。这可能涉及到图像的缩放、裁剪、归一化等操作,以及标注信息的解析和转换。 3. 数据加载:在AutoDL,你可以使用各种数据加载器来加载COCO数据集。这些数据加载器可以帮助你将数据集划分为训练集、验证集和测试集,并提供方便的接口来获取图像和对应的标注信息。 4. 模型选择和配置:在AutoDL,你可以选择适合COCO数据集的模型,并配置模型的超参数。AutoDL提供了一系列经典的深度学习模型,例如Faster R-CNN、Mask R-CNN等,你可以根据任务需求选择合适的模型。 5. 模型训练:一旦你选择了模型并配置好了超参数,你可以使用AutoDL提供的训练接口来进行模型训练。在训练过程AutoDL会自动进行模型选择和超参数调优,以提高模型的性能。 6. 模型评估:在模型训练完成后,你可以使用AutoDL提供的评估接口来评估模型在COCO数据集上的性能。这些评估指标包括准确率、召回率、平均精度等,可以帮助你了解模型的表现。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值