2步打通ModelArts和Astro,实现AI应用快速落地

yizhihongxing

摘要:本文以 ModelArts 的“找云宝”自动学习 AI 应用为例,结合低代码平台 Astro 轻应用快速实现一个“找云宝”小应用。

本文分享自华为云社区《【我与ModelArts的故事】2步打通 ModelArts 和 Astro 实现 AI 应用落地》,作者:胡琦。

引言

随着 GPT 火爆全球, 人工智能(AI)逐渐成为当今最具创新性和前景的技术之一,它可以为各行各业带来巨大的价值和变革。然而,AI 应用的开发和部署并不是一件容易的事情,它需要涉及数据处理、算法开发、模型训练、应用构建、部署管理等多个环节,而且需要有专业的技术人员和复杂的工具链。对于很多企业来说,这是一个高门槛、高成本、高风险的挑战。那么,有没有一种方式,可以让 AI 应用的开发和部署变得更加简单、快速、低成本呢?答案是肯定的。华为云提供了两款强大的平台,分别是 ModelArts 和 Astro 轻应用,它们可以实现 AI 应用的快速落地,让 AI 开发者和业务人员都能轻松构建专业级的 AI 应用。

ModelArts 是华为云提供的一站式 AI 开发平台,支持机器学习和深度学习的全流程管理,包括数据处理、算法开发、模型训练、AI 应用、部署和管理等。ModelArts 提供了丰富的预置算法、模型和数据集,以及强大的 Notebook 服务、Codelab 服务、ML Studio 服务等工具,让 AI 开发者可以快速构建和训练 AI 模型,并将模型部署为在线服务或批量服务。

2步打通ModelArts和Astro,实现AI应用快速落地

Astro 轻应用是华为云提供的低代码开发平台,支持通过拖拉拽的方式快速构建专业级应用,包括轻应用、行业应用和业务大屏等。Astro 轻应用提供了丰富的功能组件、场景模板和可视化工作流,以及灵活的数据源接入和服务编排能力,让业务人员可以轻松搭建应用界面,并将 ModelArts 的模型服务接入 Astro 轻应用的连接器,实现应用的前端展示和交互。Astro 家族包括 Astro Zero、Astro Bot、Astro Pro、Astro Flow、Astro Canvas 等成员,只有一个目标:轻松构建专业级应用,创新随心所欲,敏捷超乎想象!

2步打通ModelArts和Astro,实现AI应用快速落地

本文将介绍如何通过 ModelArts 和 Astro 轻应用实现 AI 应用落地,并以一个物体检测应用为例进行演示。本次实践基于华北-北京四环境。

第一步:ModelArts 训练并部署模型

使用 ModelArts 的数据处理功能,对原始数据进行预处理和标注,生成训练所需的数据集。通过自动学习对数据集进行训练并发布部署模型。

数据是 AI 应用的基础,要构建一个高质量的 AI 模型,首先需要有一个高质量的数据集(在 GPT 时代数据集也许无需标注,但要求更高的质量和多样性)。ModelArts 提供了数据处理功能,可以帮助用户对原始数据进行预处理和标注,生成训练所需的数据集。ModelArts 也提供了自动学习,就算您是零基础的 AI 小白,根据教程点点鼠标就能训练出自己专属的模型。

2步打通ModelArts和Astro,实现AI应用快速落地

步骤描述

  • 准备好 Yunbao-Data-Custom 数据集并上传到 OBS (华北-北京四)或者直接在 AI Gallery 中下载(推荐),数据集的下载及上传需要些许时间。

2步打通ModelArts和Astro,实现AI应用快速落地

点击下载,选择华北-北京四

2步打通ModelArts和Astro,实现AI应用快速落地

下载到 ModelArts 数据集

  • 登录 ModelArts 控制台,在左侧导航栏中选择“自动学习”,进入自动学习页面并点击物体检测创建自动学习任务。(PS:由于下载的数据集默认在新版数据集管理中,无法一键创建自动学习任务,我们可以在自动学习页面用下载的数据集来创建新的数据集进行自动学习)

2步打通ModelArts和Astro,实现AI应用快速落地

创建找云宝自动学习任务

2步打通ModelArts和Astro,实现AI应用快速落地

自动学习任务创建完毕

  • 在 ModelArts 控制台点击左侧导航“数据管理--数据集“进入数据集页面并点击“前往新版”按钮,查看 hello-yunbao 数据集并进行智能标注,当前自动标注只支持识别和标注矩形框。除了可选主动学习还可以进行预标注。智能标注需要些许时间。

2步打通ModelArts和Astro,实现AI应用快速落地

新版数据集

2步打通ModelArts和Astro,实现AI应用快速落地

开启智能标注

  • 智能标注完的数据集我们还需要进行确认,毕竟主动学习也不一定百分之百准备,笔者在实践中遇到了难例和误检,这是需要我们人工纠正的。再回到自动学习任务,发现数据已经全部标注好了。

2步打通ModelArts和Astro,实现AI应用快速落地

数据标注完成

  • 开始训练,不难发现,在 ModelArts 自动学习中,我们还是可以对一些参数进行微调,比如训练偏好、训练验证比例等,还可以进行增量训练。

2步打通ModelArts和Astro,实现AI应用快速落地

开始训练

  • 不到一杯奶茶的时间,我们的找云宝自动学习就完成了,从结果来看还算满意,就用 66 张图片训练处理 84% 的准确率、 0.961 的精确率,我们已经迫不及待地想部署看看效果了。

2步打通ModelArts和Astro,实现AI应用快速落地

完成自动学习

  • 点击版本管理卡片中的“部署”按钮,进行模型部署上线,这里需要说明的是只能有一个免费的在线部署服务,如果创建失败,请检查“部署上线--在线服务”是否已存在免费实例。

2步打通ModelArts和Astro,实现AI应用快速落地

部署上线

  • 等待部署成功之后可以进行预测调试。在线服务将AI应用部署为一个Web Service,并且提供在线的测试UI与监控能力。值得注意的是,免费实例 1 小时之后就会自动停止,如需不间断运行只能使用付费运行或者使用脚本维持。这里,请记住服务 ID,比如: 70e15ea3-8669-49e2-84b9-503531cf7a07, 请保存调用指南中的 API 地址,前面一串数字是 模型Apig-Code、服务ID也就是后面那串数字是 模型Id

2步打通ModelArts和Astro,实现AI应用快速落地

预测调试在线服务

部署心得

ModelArts 的数据处理功能具有以下优势:

  • 支持多种数据类型和标注类型,覆盖图像、视频、音频、文本等多种数据类型,以及分类、检测、分割等多种标注类型,满足不同场景的数据需求。
  • 支持智能标注和团队标注,提高标注效率和质量。智能标注可以利用预置或自定义的模型服务,自动为数据打上标签,大大节省人工标注的时间和成本。团队标注可以支持多人协同完成数据标注任务,并提供打分和评价机制,保证标注结果的一致性和准确性。
  • 支持 OBS 存储和本地存储,方便数据管理和使用。OBS 存储是华为云提供的对象存储服务,可以实现海量数据的安全、可靠、低成本的存储和访问。本地存储是 ModelArts 提供的临时存储空间,可以实现快速上传和下载数据。
  • 当然 ModelArts 的优势远不止这些,只有深入去使用、实践,才会有更多的体会。

第二步:Astro 轻应用集成 ModelArts 在线服务

使用 Astro 轻应用的轻应用功能,通过拖拉拽的方式搭建应用界面,将 ModelArts 的模型服务接入 Astro 轻应用的连接器,实现应用的前端展示和交互。

应用是 AI 应用的载体,要构建一个高品质的 AI 应用,需要有一个高品质的应用界面,并能与 AI 模型服务进行有效的交互。Astro 轻应用提供了轻应用功能,可以帮助用户通过拖拉拽的方式搭建应用界面,并将 ModelArts 的模型服务接入 Astro 轻应用的数据源,实现应用的前端展示和交互。

步骤描述

  • 登录 Astro 轻应用控制台,在左侧导航栏中选择的“应用”,点击“新建空白应用”。

2步打通ModelArts和Astro,实现AI应用快速落地

新建空白应用

  • 下图是 Astro 轻应用开发的主界面,基本上我们所有的业务开发都围绕这些菜单进行,比如界面、数据、逻辑、集成、发布等等。

2步打通ModelArts和Astro,实现AI应用快速落地

Astro 轻应用开发主界面

  • 最最关键的,Astro 通过集成 ModelArts 连接器,实现了调用 ModelArts 在线服务。以前在没有 ModelArts 连接器的时候,我们需要自行开发 AKCK 鉴权、ModelArts API 调用、OBS 文件上传等等

2步打通ModelArts和Astro,实现AI应用快速落地

Astro 集成 ModelArts 连接器

  • 我们的环境默认是没有配置好的 ModelArts 连接器,需要开发者自行配置,我们可以导入上文中提到的实例安装包,再进行连接器配置。

2步打通ModelArts和Astro,实现AI应用快速落地

导入项目

  • 配置好连接器,我们可以在这个页面对在线模型检测简单的测试。

2步打通ModelArts和Astro,实现AI应用快速落地

配置 ModelArts 连接器

  • 接着进行拖拉拽开发页面,这里就不多说,重要的还是自己去动手实践。

2步打通ModelArts和Astro,实现AI应用快速落地

页面开发

  • 大概的实现效果如下

2步打通ModelArts和Astro,实现AI应用快速落地2步打通ModelArts和Astro,实现AI应用快速落地

找云宝应用效果

部署心得

Astro 轻应用具有以下优势:

  • 支持多种应用类型和场景,覆盖轻应用、行业应用和业务大屏等多种应用类型,以及行政办公、人力资源、运营协同、项目管理等多种场景,满足不同场景的应用需求。
  • 支持拖拉拽式页面构建,提供丰富的功能组件、场景模板和可视化工作流,让业务人员可以通过拖拉拽的方式快速搭建应用界面,无需编写任何代码。
  • 支持灵活的数据源接入和服务编排,提供灵活的数据源接入和服务编排能力,可以将 ModelArts 的模型服务或其他华为云服务或第三方服务接入 Astro 轻应用的数据源,并通过图形化的方式进行服务编排,实现应用的前端展示和交互。
  • 支持一键发布和管理,提供一键发布和管理功能,可以将应用发布为 PC 端、移动端、微信小程序/H5、WeLink 集成等多种形式,并提供应用的监控、统计、分享等能力,保证应用的可用性和可靠性。
  • 同样, Astro 轻应用的优势也不仅仅是这些,笔者有幸从早期的 APP Engine 到 APPCube 再到现在的 Astro,不断见证华为云零(低)代码的进化,未来,随着 AIGC 的不断推陈出新,我们或许能体验到更加先进的工具。

总结

本文介绍了如何通过 ModelArts 和 Astro 轻应用实现 AI 应用落地的两个步骤,并以“找云宝”物体检测为例进行演示。通过拉通 ModelArts 和 Astro 轻应用的强大功能和优势,我们可以实现 AI 应用的快速开发和部署,降低 AI 应用的门槛、成本、风险,提升 AI 应用的效率、质量、性能。ModelArts 和 Astro 轻应用是华为云为用户提供的一站式 AI 开发平台,是用户实现 AI 应用落地的最佳选择。如果您对 ModelArts 和 Astro 轻应用有兴趣,欢迎登录华为云官网进行体验和使用,感受 AI 应用落地的魅力和便捷。

 

点击关注,第一时间了解华为云新鲜技术~

原文链接:https://www.cnblogs.com/huaweiyun/p/17385016.html

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:2步打通ModelArts和Astro,实现AI应用快速落地 - Python技术站

(0)
上一篇 2023年5月9日
下一篇 2023年5月10日

相关文章

  • 目标检测-OHEM(online hard example mining)

    OHEM:online hard example mining 论文地址:https://arxiv.org/abs/1604.03540难例挖掘是指,针对模型训练过程中导致损失值很大的一些样本(即使模型很大概率分类错误的样本),重新训练它们.维护一个错误分类样本池, 把每个batch训练数据中的出错率很大的样本放入该样本池中,当积累到一个batch以后,将…

    2023年4月8日
    00
  • AttributeError: module ‘tensorflow.python.training.checkpointable’ has no attribute ‘CheckpointableBase’

        AttributeError: module ‘tensorflow.python.training.checkpointable’ has no attribute ‘CheckpointableBase’   然后安装tensorflow   Pip install tensorflow-gpu==1.12.0Pip install tensor…

    2023年4月7日
    00
  • 目标检测常用损失函数-类别损失+位置损失

    目录 类别损失 1. 交叉熵损失 Cross Entropy Loss 2. Focal Loss 改进的交叉熵损失函数 位置损失 1. L1 Loss 平均绝对误差(Mean Absolute Error, MAE) 2. L2 Loss  均方误差损失(Mean Square Error, MSE) 3. Smooth L1 Loss 4. IoU Lo…

    2023年4月8日
    00
  • Ubuntu 远程离线配置 pytorch 运行环境

     2019.11.16 为了使用远程的云服务器,必须要自己配置环境,这次还算比较顺利。 1. 安装cuda  https://blog.csdn.net/wanzhen4330/article/details/81699769  ( 安装cuda = nvidia driver + cuda toolkit + cuda samples + others) …

    PyTorch 2023年4月7日
    00
  • 【个人整理】循环神经网络RNN对于变长序列的处理方法

    前言:我们前面将的各种循环神经网络的实现都是固定的时间步长的,即timesteps的长度是固定的,但是在实际问题中,这个往往是不固定的,为什么呢?因为文本数据在处理的时候,由于各样本的长度并不一样,有的句子长有的句子短 这就导致在timesteps上面是维度不固定的,这种数据该如何处理呢?这就是本文要说的重点了。 目录 一、大胆尝试,直接填充0行不行? 二、…

    2023年4月8日
    00
  • 【目标检测】:SPP-Net深入理解(从R-CNN到SPP-Net)

    一. 导论 SPP-Net是何凯明在基于R-CNN的基础上提出来的目标检测模型,使用SPP-Net可以大幅度提升目标检测的速度,检测同样一张图片当中的所有目标,SPP-Net所花费的时间仅仅是RCNN的百分之一,而且检测的准确率甚至会更高。那么SPP-Net是怎么设计的呢?我们要想理解SPP-Net,先来回顾一下RCNN当中的知识吧。下图为SPP-Net的结…

    2023年4月6日
    00
  • 动手学深度学习——循环神经网络

    循环神经网络 循环神经网络(RNN)主要用于预测任务:基于当前和历史输入序列,预测序列的下一个字符。循环神经网络相对于普通神经网络而言,最大的特点在于颖仓变量HHH的引进,用HtH_{t}Ht​表示HHH在时间步ttt的值,该变量记录了到当前字符为止的序列信息。历史信息的使用使得预测更为精确。循环神经网络的示意图: 循环神经网络模型 假设Xt∈Rn×dbol…

    2023年4月8日
    00
  • 机器学习 什么是监督学习和无监督学习

    机器学习主要分为 有监督学习 和 无监督学习 两种。接下来我详细的给大家介绍一下这两种方法的概念和区别。 监督学习 (supervised learning):通过已有的训练样本(即已知数据以及其对应的输出)来训练,从而得到一个最优模型,再利用这个模型将所有新的数据样本映射为相应的输出结果,对输出结果进行简单的判断从而实现分类的目的,那么这个最优模型也就具有…

    机器学习 2023年4月11日
    00
合作推广
合作推广
分享本页
返回顶部