系列文章目录

文章目录

• 系列文章目录
• 前言
• 一、用colab薅羊毛
• 二、使用百度飞浆操作
• 三、
• 二、使用步骤
• • 1.引入库
  • 2.读入数据
• 总结

前言

一、用colab薅羊毛

Colaboratory 简称“Colab”，是 Google Research 团队开发的一款产品。在 Colab 中，任何人都可以通过浏览器编写和执行任意 Python 代码。它尤其适合机器学习、数据分析和教育目的。从技术上说，Colab 是一种托管式 Jupyter 笔记本服务。用户无需进行设置，就可以直接使用，同时还能获得 GPU 等计算资源的免费使用权限。
Google Colab免费GPU 超详细使用教程

1. 需要准备的东西
   ibcn和谷歌账号
   有了上面两个东西后便可跳转到:colab
   
   加载谷歌driver

from google.colab import drive
drive.mount('/content/drive')

注意，colab操作与Linux系统下操作是一样的，所以一些命令也是共通的，因为colab本身就是在Linux系统上，通过网页来操作而已，可以通过命令查看显卡使用情况，需要加!号

!nvidia-smi

查看cuda版本及显卡型号

结果显示pytorch版本是1.13，cuda版本是11.6
显卡型号是：Tesla T4

2. 使用colab跑Yolov5代码
   Yolov4在github官方代码：ultralytics/yolov5
   选择Open in colab，如箭头所示
   
3. 首先连接官方GPU
   
4. 步骤

• 步骤一：拷贝代码到当前目录下，并且配置环境

!git clone https://github.com/ultralytics/yolov5  # clone
%cd yolov5
%pip install -qr requirements.txt  # installimport torch
import utils
display = utils.notebook_init()  # checks

• 步骤二：下载训练好的模型并测试

!python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images
# display.Image(filename='runs/detect/exp/zidane.jpg', width=600)

• 步骤三：下载coco验证集看模型的精度
  coco数据集大概有80个类

# Download COCO val
torch.hub.download_url_to_file('https://ultralytics.com/assets/coco2017val.zip', 'tmp.zip')  # download (780M - 5000 images)
!unzip -q tmp.zip -d ../datasets && rm tmp.zip  # unzip

可以看到网速能达到：10MB/s，速度还是客观的。

验证

# Validate YOLOv5s on COCO val
!python val.py --weights yolov5s.pt --data coco.yaml --img 640 --half

得到验证的结果


PR曲线

打的标签图片(val_batch0_label.jpg)

验证的图片（val_batch0_pred.jpg）

• 步骤四：选择tensorboard可视化结果

#@title Select YOLOv5 🚀 logger {run: 'auto'}
logger = 'TensorBoard' #@param ['TensorBoard', 'Comet', 'ClearML']if logger == 'TensorBoard':%load_ext tensorboard%tensorboard --logdir runs/train
elif logger == 'Comet':%pip install -q comet_mlimport comet_ml; comet_ml.init()
elif logger == 'ClearML':%pip install -q clearmlimport clearml; clearml.browser_login()

• 步骤五：run起来

# Train YOLOv5s on COCO128 for 3 epochs
!python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt --cache

训练三轮后得到可视化结果

修改为训练3200轮试一下

经过以上步骤训练完YoloV4，接下来将结果或代码复制到driver中

!cp -r /content/yolov5/yolov5 /content/drive/Shareddrives/c006-38/algorithm

复制成功

二、使用百度飞浆操作

1.首先，进入百度飞浆官网注册账号。
2. 找到项目：无需Avatarify使用PaddleGAN一键生成多人版 「蚂蚁呀嘿」视频
3. 操作步骤如下：

• 步骤一：启动环境，选择基础版即可
  
  
• 步骤二：安装paddlehub
  首先我们需要安装PaddleHub,利用其中的face detection功能来定位照片中人脸。
  安装方法如下：

!pip install paddlehub==1.6.0

• 步骤三：安装之后paddlehub之后，还需要安装一下人脸检测的模型，命令如下:

!hub install ultra_light_fast_generic_face_detector_1mb_640 

• 步骤四：安装PaddleGAN
  生成「蚂蚁呀嘿」视频需要用到PaddleGAN套件中的动作迁移功能，所以下一步需要安装PaddleGAN套件。因为我修改了PaddleGAN套件部分代码，这个代码已经保存在AI Studio环境中，直接安装就可以了。也可以从以下地址下载：https://gitee.com/txyugood/PaddleGAN.git
  使用以下命令安装PaddleGAN。

%cd /home/aistudio/PaddleGAN/
!pip install -v -e .

• 步骤五：根据PaddleGAN的环境要求，安装合适的PaddlePaddle框架。
  

• 步骤六：运行脚本，得到结果

%cd /home/aistudio/PaddleGAN/applications/
!python -u tools/first-order-mayi.py  \--driving_video /home/aistudio/MaYiYaHei.mp4 \--source_image /home/aistudio/10.jpg \--audio_file /home/aistudio/MYYH.mp3 \--relative --adapt_scale \--output /home/aistudio/output \--ratio 1.0

MaYiYaHei

三、

• 在终端用命令查看GPU情况

nvidia-smi -l 1

在任务管理器->性能里面，需要选择cuda查看，默认是3d，看不出来使用情况。

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv('https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。