沙箱实验《使用ModelArts中开发工具学习Python（高级）》将于2022年3月3日下线进行优化刷新，实验下线后将无法开始实验，下线前的实验操作记录可在【开发者个人中心】的【我的实验】页面中进行查看，请知悉。感谢您的关注，欢迎到沙箱实验室，体验更多精彩实验！发布日期：2022年3月3日

关于沙箱实验《使用ModelArts中开发工具学习Python（初级）》下线优化的通知沙箱实验《使用ModelArts中开发工具学习Python（初级）》即将于2022年3月3日下线进行优化刷新，实验下线后将无法开始实验，下线前的实验操作记录可在【开发者个人中心】的【我的实验】页面中进行查看，请知悉。感谢您的关注，欢迎到沙箱实验室，体验更多精彩实验！发布日期：2022年3月3日

【赛事资讯】2022年2月26日-- 3月4日✨【品牌赛事】官宣！2022年第八届华为软件精英挑战赛正式启动报名摘要：3月1日，“普朗克计划”2022第八届华为软件精英挑战赛正式启动报名。大赛是华为公司面向全国乃至全球在校大学生举办的大型软件编程竞赛，从2015年至今已成功举办七届，累计超10万优秀大学生参与，展示软件设计与编程的技术能力。本届大赛由华为云承办，将围绕“普朗克计划”主题展开，华为资深专家技术团队出题，邀请全球高校精英们加入，一起探索技术编程与竞技的更高境界，寻找像普朗克一样，能改变未来智能世界的软件精英。✨【前沿快讯】医疗物联网：彻底改变医疗保健摘要：医疗物联网 (IoMT) 是物联网的一个分支。总体而言，IoMT是一个由医疗设备、软件应用程序以及医疗生系统和服务组成的互联基础设施，该基础设施旨在改善医疗保健的可及性，同时改善患者健康和对医疗保健服务的满意度。据预测，到 2022 年，IoMT 市场的价值将约为 1580 亿美元，而 2016 年仅为 240 亿美元。我们一直在密切关注医疗物联网的发展，包括许多快速发展的技术和几个潜在的专利领域。✨【热门活动】第二届华为大学生电力电子创新大赛喊你来报名啦摘要：第二届华为大学生电力电子创新大赛正式开启，创新特等奖20万！报名后转发推文至朋友圈，集赞将有机会获得豪礼。接手速和人品的时候到了，你心动了吗？ ✨【技术干货】智慧园区热门动态汇总！快速找到您想要的摘要：欢迎来到智慧园区！在这里，有技术干货，有实例分享，有专家交流，有各种奖励活动~希望大家在学习、交流的同时可以有所收获（精神上和物质上都要有！！） ✨【实战演练】ModelArts自动学习实现北京冬奥会与残奥会吉祥物识别摘要：最近，随着北京冬奥会的开幕，吉祥物“冰墩墩”也一举成为“顶流”，赢得了无数海内外粉丝的喜爱，更是一”墩“难求！当然，雪容融也是相当可爱的，这里使用华为云的ModelArts下的自动学习功能进行一个AI分类识别，看看我们的AI如何鉴别两只小吉祥物！！北京冬残奥会即将开幕，快来一起参与吧！！✨【直播回顾】三本书帮你看淡元宇宙摘要：带你从元宇宙的本质出发，获得关于元宇宙的不一样的洞见，给你一些元宇宙书籍阅读选择的启发。

近日，国际数据公司IDC发布 《IDC中国2021H1人工智能公有云服务市场研究报告》 华为云一站式AI开发平台 ModelArts 位居中国机器学习公有云服务市场份额第一 连续三次登上该市场榜首位置 报告指出，在中国机器学习公有云服务市场中，华为云受到政企客户的青睐，在AI云服务市场的竞争优势逐渐凸显。华为云一站式AI开发平台ModelArts可以提供数据处理、算法开发、模型训练、模型管理、模型部署等AI模型开发全流程技术能力；率先支持MLOps；持续构建大模型训练优化能力。同时积极打造开放的AI生态，接入生态开发工具，通过华为云AI Gallery联接AI市场的供、需、学三方，助力解决AI落地时所面临的“AI算力稀缺、AI人才短缺、AI开发难、AI行业应用难”两难两缺难题，推动AI走进千行百业的核心生产系统。面向AI开发者，持续提供硬核黑科技服务 ModelArts人工智能集群服务支持大规模分布式训练。为帮助开发者及企业客户解决训练大模型时面临的技术、成本、资源等挑战，华为云一站式AI开发平台ModelArts提供人工智能集群服务，全场景深度优化，支持大规模分布式训练。从端到端全流程角度看，相比线下开发大模型，基于ModelArts的开发效率可提升4倍以上，并且可以解决超大模型训练的资源可获得性问题。云原生模型开发工具链，助力AI开发效率提升。华为云一站式AI开发平台ModelArts支持将云上资源与开发工具链相结合。面向AI初学者，线上CodeLab支持秒级接入资源，可按需切换；面向深度开发者，支持云上远程开发与自定义开发环境。借助云原生的资源调度，开发者可进一步构筑基于ModelArts云原生的算法开发范式和能力。面向AI生态，搭建“知识”+“实训”的AI开发社区 基于一站式AI开发平台ModelArts，华为云构建了开发者生态社区AI Gallery，这是一个AI资产共享的社交平台，也是“知识”+“实训”的AI开发社区。 AI Gallery汇聚了算法、模型、数据集、工作流等10余种、50000余个AI资产，保障AI开发、应用生态链上的各个参与方都能高效地实现各自的商业价值，降低各行各业开发者在人工智能领域的学习门槛，加速AI的应用实践。面向AI行业落地，全面支持全流程MLOps开发 华为云一站式AI开发平台ModelArts全面支持MLOps，改变了原有分段开发AI模型的流程, 实现全流程自动化的协同迭代开发模式。ModelArts也成为国内首个支持MLOps的AI开发平台。 基于MLOps的理念，华为云一站式AI开发平台ModelArts的Workflow工具提供运行记录、监控、持续运行等功能。通过Workflow工具，实现AI开发、运行及运行后监测的全生命周期管理，加快AI开发到落地的迭代速度，以及效果体验的持续优化。同时，开发者可通过AI Gallery实现Workflow快速构建与能力分享。华为云一站式AI开发平台ModelArts帮助企业实现了AI应用全生命周期管理，大幅提升AI开发效率，加速了AI在千行百业的落地。制造领域，华为云和博世华域基于ModelArts Workflow开发出了刀具状态智能识别Usecase。通过刀具声音识别算法，在保证良品率的情况下，刀具使用效率提升5%以上。基于MLOps理念打造的刀具声音识别Usecase，能够轻松地针对不同刀具甚至其他生产工具进行方案扩展，将声音检测算法应用在更广泛的制造行业状态维护场景；药物研发领域，依托华为云一站式AI开发平台ModelArts与华为云一站式医疗研发平台EIHealth，中国科学院上海药物研究所联合华为云训练了华为云盘古药物分子大模型，赋能全流程的AI药物设计，大幅提升新药研发效率；交通运输领域，深圳机场基于华为云机场智能体快速构建60+调度规则，实现机位分配自动化、智能化，让机场靠桥率提升5%，每年帮助260万旅客免乘摆渡车。转自华为云公众号

本案例先用目标检测检测图片中汤圆的位置，然后将每个汤圆的图片和其他图片（比如云宝）进行融合，最后将图片中所有汤圆都变成了云宝！案例链接：https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=94d4f398-853f-4f71-8ff8-fcb1e1e655d5ModelArts 是面向开发者的一站式 AI 平台，为机器学习与深度学习提供海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期 AI 工作流。地址：https://www.huaweicloud.com/product/modelarts.html活动时间：2月16日-2月28日活动流程：1.扫码进群，交流讨论案例2.体验云宝表情包特效案例，或自行开发相关案例，截图案例结果，回贴到本贴评论区。（每个账号仅限回帖一次）3.观看直播，特邀广大网友们线上交流，互助学习，还有云宝公仔赠送。直播时间：2月24日19:00-20:00直播地址：http://live.bilibili.com/221365944.邀请朋友体验案例，并截图盖楼5.公布获奖名单，预计三月初公示，请参与者及时关注并填写奖品地址 活动奖项：1.最佳创意奖项：用本案例所涉及到的技术，开发出不一样的体验案例，并将代码分享到AIGallery ：https://developer.huaweicloud.com/develop/aigallery/notebook/list案例结果截图到本贴评论区，活动结束后由直播老师评选出最有创意的案例，送华为GT2手表、EI定制大礼包。2.盖楼回帖福利奖：活动盖楼奖品中奖楼层＞100层10本ModelArts书9%、19%、29%、39%、49%、59%、69%、79%、89%、99%＞200层在上层基础上增加：10本ModelArts书2%、12%、22%、32%、42%、52%、62%、72%、82%、92%＞300层在上层基础上增加：10件ModelArts卫衣7%、17%、27%、37%、47%、57%、67%、77%、87%、97%＞400层在上层基础上增加：10件ModelArts卫衣4%、14%、24%、34%、44%、54%、64%、74%、84%、94%＞500层在上层基础上增加：10个华为蓝牙音箱5%、15%、25%、35%、45%、55%、65%、75%、85%、95%＞600层在上层基础上增加：10个华为蓝牙音箱6%、16%、26%、36%、46%、56%、66%、76%、86%、96%＞700层在上层基础上增加：10个华为三脚架自拍杆3%、13%、23%、33%、43%、53%、63%、73%、83%、93%＞800层在上层基础上增加：10个华为路由器8%、18%、28%、38%、48%、58%、68%、78%、88%、98%＞900层在上层基础上增加：10个华为路由器1%、11%、21%、31%、41%、51%、61%、71%、81%、91%活动说明：当活动盖楼为350，对应奖品为【10本ModelArts书+10本ModelArts书+10件ModelArts卫衣】“有效楼层”指的是回复本次活动相关内容的楼层视为有效楼层，回复其他内容均视为无效楼层，不予奖励。抽奖方式为活动结束后，主办方将从活动帖子下所有盖楼的用户中抽取各等奖励获奖楼层。获奖楼层=总楼层*中奖百分比。例如：活动结束后总楼层为1000，中奖百分比为96%，则1000*96%=960，即第960楼获奖，其他获奖楼层同理可得。如出现小数点则四舍五入，例如：活动结束后总楼层为530，中奖百分比为96%，则530*96%=508.8，则第509楼获奖。无效楼层不参与中奖，奖励楼层向下一楼层顺延。例如：抽取获奖楼层为第5楼，但5楼为无效楼层，即顺延至第6楼获奖，若依然为无效楼层，则继续顺延，以此类推。请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。为保证活动的公平公正，华为云有权对恶意刷活动资源（“恶意”是指为获取资源而异常注册账号等**活动公平性的行为，黑产用户不计入活动统计），利用资源从事违法违规行为的用户收回奖励资格，本次活动一个实名认证账号只能对应一个收件人（只能参加一次），如同一账号填写多个不同收件人，不予发放奖励，且每个账号只记录最早的一次回帖，多发无效本活动规则由华为云在法律规定范围内进行解释。华为云保留不时更新、修改或删除本活动规则的权利。上述更新、修改或删除于公布时即时生效，用户应当主动查阅本活动规则的最新内容。所有参加本活动的用户，均视为认可并同意遵守《华为云用户协议》，包括以援引方式纳入《华为云用户协议》的《可接受的使用政策》、《法律声明》、《隐私政策声明》、相关服务等级协议（SLA），以及华为云服务网站规定的其他协议和政策（统称为“云服务协议”）的约束。如果您不同意本活动规则和云服务协议的条款，请勿参加本活动。

ModelArts自动学习实现北京冬奥会与残奥会吉祥物识别最近，随着北京冬奥会的开幕，吉祥物“冰墩墩”也一举成为“顶流”，赢得了无数海内外粉丝的喜爱，更是一”墩“难求！当然，雪容融也是相当可爱的，这里使用华为云的ModelArts下的自动学习功能进行一个AI分类识别，看看我们的AI如何鉴别两只小吉祥物！！（图片来自网络） 基础环境准备在使用 ModelArts 进行 AI 开发前，需先完成以下基础操作哦（如有已完成部分，请忽略），主要分为4步（注册–>实名认证–>服务授权–>领代金券）：使用手机号注册华为云账号：点击注册点此去完成实名认证，账号类型选"个人"，个人认证类型推荐使用"扫码认证"。 点此进入 ModelArts 控制台数据管理页面，上方会提示访问授权，点击【服务授权】按钮，按下图顺序操作： 进入 ModelArts 控制台首页，如下图，点击页面上的"彩蛋"，领取新手福利代金券！后续步骤可能会产生资源消耗费用，请务必领取。 以上操作，也提供了详细的视频教程，点此查看：ModelArts环境配置大概流程完成了基础环境准备后，我们就可以开始基于 ModelArts 开始我们的 AI 开发之旅，此次操作主要分为以下几个流程：从AI Gallery下载数据集并上传到华为云对象存储服务（OBS）创建 ModelArts 自动学习项目并导入数据集完成数据标注并进行模型训练将模型部署成在线服务，进行服务调用并获得结果数据集准备点此下载所需吉祥物数据集：吉祥物数据集 稍带提一下AI Gallery：它是华为云 AI 知识 & 实训社区，助你从0到1成为 AI 开发达人！感兴趣的可以去了解一下，这里的数据集是我上传到AI Gallery里，方便分享。点击下载，会弹出如图页面，选择对应的区域和OBS存放路径，如果你没有OBS桶，请接着下一步进行创建建议直接下载为数据集，这样可以不用重新标注了。然后点击确认，稍等两分钟就会下载完成了，然后直接去自动学习项目创建。创建OBS桶OBS大家可以先简单的理解成一个在线网盘，因为ModelArts本身目前没有数据存储的功能，所以需要从OBS里调用我们上传的数据进行训练点击进入：华为云OBS控制台，进入后点击右上角的【创建桶】按钮（这里的桶可以理解成OBS进行存储的基本单位，所有的数据必须存储在某个桶里）：  进入新建桶界面， 按照如下示例进行填写：区域：华北-北京四数据冗余存储策略：单AZ存储桶名称：自定义，需要全局唯一，即在整个华为云上的名字唯一其它选项保持默认即可 填写完成后，点击右下角的【立即创建】按钮并确认，稍等几秒钟即可完成 OBS桶 的创建。 下载训练数据至OBS将AI Gallery里的数据集下载到刚刚创建的OBS桶里然后点击【确定】按钮即开始进行图片的上传，本次数据量较少，正常网络情况下约1分钟内即可完成数据的上传。 自动学习项目创建点击访问 ModelArts自动学习 页面，选择创建图像分类项目，进入项目创建设置页，按照如下示例进行填写：名称：自定义数据集来源：已有数据集其它保持默认即可数据集名称是刚刚下载到obs自己取的名字，选择即可填写完成后点击右下角的【创建项目】按钮稍等几秒即可完成项目的创建。数据标注项目创建完成后会自动进入数据标注页面，页面左侧是标注操作区，右边是标签编辑与展示区。注：标签就是对数据集进行分类，比如本次识别中的：冰墩墩和雪容融，需我们自己根据数据集新建不同类型的标签；标注就是将数据集中的图片划归到对应的标签下，告诉模型这个图片里是什么因为从AI Gallery下载的数据集已经是我标注好了的，就不用大家自己手动标注了，直接拿来使用即可。全部标注完成后的效果如下： ： 注意：目前标注不支持翻页选择，翻页后上一页选择的数据会丢失，所以请大家一页一页的选择并确认，如果觉得一页展示的图片太少，可以在页面的左下角选择一页图片展示的个数。 模型训练数据标注完成后，我们点击右上角的【开始训练】按钮，弹出模型训练的设置界面，按如下示例填写：最大训练时长（分钟） ：由于数据不是很多，建议训练时间修改为10计算规格：选择自动学习免费规格（GPU），并勾选"我已阅读并同意以上内容"其它保持默认即可 填写完成后，点击【下一步】进入二次确认界面，点击界面上的【提交】按钮即可提交成功。  训练过程约耗时2分钟左右，请耐心等待哦~模型部署训练完成后，我们点击左侧的部署按钮，进行模型的部署操作，如下图示例。  点击【下一步】按钮，进入二次确认界面，点击界面上的【提交】按钮即可提交成功。 模型调用部署完成后，可以看到如下界面：  我们点击【上传】按钮，选择上传前面下载的数据集test文件夹中的任一图片，然后点击【预测】即可得到结果：《关于我在华为云用ModelArts识别冰墩墩这件事》成功执行，可以看出，我们的两大顶流吉祥物识别率还是挺高的，感兴趣的朋友可以继续扩大数据集，提高更复杂场景的识别率。 总结本实验到此完成，需要请大家注意：因为本实验主要的目的是让大家了解使用 ModelArts 进行 AI 开发的基本操作，为了减少操作的难度和时间长度，只用了少量的数据集用于训练，可能造成数据预测不是很准确的情况，请大家理解。示例中我们选择的都是免费规格，如果大家领取了新手代金券，可以尝试使用付费规格获得更好的体验，但记得及时关闭相应服务哦！Tips：实验结束后请及时停止在线服务，不然在线服务会持续收费有可能导致欠费，致使华为云账号被冻结而影响使用。 我们在在线服务管理页面单击对应服务列表后的"停止"按钮即可停止本在线服务。

本案例先用目标检测检测图片中汤圆的位置，然后将每个汤圆的图片和其他图片（比如云宝）进行融合，最后将图片中所有汤圆都变成了云宝！案例链接：https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=94d4f398-853f-4f71-8ff8-fcb1e1e655d5ModelArts 是面向开发者的一站式 AI 平台，为机器学习与深度学习提供海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期 AI 工作流。地址：https://www.huaweicloud.com/product/modelarts.html活动时间：2月16日-2月28日活动流程：1.扫码进群，交流讨论案例2.体验云宝表情包特效案例，或自行开发相关案例，截图案例结果，回贴到本贴评论区。（每个账号仅限回帖一次）3.观看直播，特邀广大网友们线上交流，互助学习，还有云宝公仔赠送。直播时间：2月24日19:00-20:00直播地址：http://live.bilibili.com/221365944.邀请朋友体验案例，并截图盖楼5.公布获奖名单如下（剔除了无效楼层），请获奖者3月30日前联系小助手领取奖品，逾期视为放弃 活动奖项：1.最佳创意奖项：用本案例所涉及到的技术，开发出不一样的体验案例，并将代码分享到AIGallery ：https://developer.huaweicloud.com/develop/aigallery/notebook/list案例结果截图到本贴评论区，活动结束后由直播老师评选出最有创意的案例，送华为GT2手表、EI定制大礼包。2.盖楼回帖福利奖：活动盖楼奖品中奖楼层＞100层10本ModelArts书9%、19%、29%、39%、49%、59%、69%、79%、89%、99%＞200层在上层基础上增加：10本ModelArts书2%、12%、22%、32%、42%、52%、62%、72%、82%、92%＞300层在上层基础上增加：10件ModelArts卫衣7%、17%、27%、37%、47%、57%、67%、77%、87%、97%＞400层在上层基础上增加：10件ModelArts卫衣4%、14%、24%、34%、44%、54%、64%、74%、84%、94%＞500层在上层基础上增加：10个华为蓝牙音箱5%、15%、25%、35%、45%、55%、65%、75%、85%、95%＞600层在上层基础上增加：10个华为蓝牙音箱6%、16%、26%、36%、46%、56%、66%、76%、86%、96%＞700层在上层基础上增加：10个华为三脚架自拍杆3%、13%、23%、33%、43%、53%、63%、73%、83%、93%＞800层在上层基础上增加：10个华为路由器8%、18%、28%、38%、48%、58%、68%、78%、88%、98%＞900层在上层基础上增加：10个华为路由器1%、11%、21%、31%、41%、51%、61%、71%、81%、91%活动说明：当活动盖楼为350，对应奖品为【10本ModelArts书+10本ModelArts书+10件ModelArts卫衣】“有效楼层”指的是回复本次活动相关内容的楼层视为有效楼层，回复其他内容均视为无效楼层，不予奖励。抽奖方式为活动结束后，主办方将从活动帖子下所有盖楼的用户中抽取各等奖励获奖楼层。获奖楼层=总楼层*中奖百分比。例如：活动结束后总楼层为1000，中奖百分比为96%，则1000*96%=960，即第960楼获奖，其他获奖楼层同理可得。如出现小数点则四舍五入，例如：活动结束后总楼层为530，中奖百分比为96%，则530*96%=508.8，则第509楼获奖。无效楼层不参与中奖，奖励楼层向下一楼层顺延。例如：抽取获奖楼层为第5楼，但5楼为无效楼层，即顺延至第6楼获奖，若依然为无效楼层，则继续顺延，以此类推。请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。为保证活动的公平公正，华为云有权对恶意刷活动资源（“恶意”是指为获取资源而异常注册账号等**活动公平性的行为，黑产用户不计入活动统计），利用资源从事违法违规行为的用户收回奖励资格，本次活动一个实名认证账号只能对应一个收件人（只能参加一次），如同一账号填写多个不同收件人，不予发放奖励，且每个账号只记录最早的一次回帖，多发无效本活动规则由华为云在法律规定范围内进行解释。华为云保留不时更新、修改或删除本活动规则的权利。上述更新、修改或删除于公布时即时生效，用户应当主动查阅本活动规则的最新内容。所有参加本活动的用户，均视为认可并同意遵守《华为云用户协议》，包括以援引方式纳入《华为云用户协议》的《可接受的使用政策》、《法律声明》、《隐私政策声明》、相关服务等级协议（SLA），以及华为云服务网站规定的其他协议和政策（统称为“云服务协议”）的约束。如果您不同意本活动规则和云服务协议的条款，请勿参加本活动。

【功能模块】【ModelArts】【训练作业】报错[detect]ascend-check error【操作步骤&问题现象】基于ModelArts和本地WSL2-GPU复现lenet5模型训练丨【华为云AI贺新年】-云社区-华为云 (huaweicloud.com)按照上面博客创建OBS，创建训练作业然后开始训练，一直失败，显示如下截图的报错信息在代码中已设置context.set_context(mode=context.GRAPH_MODE, device_target='Ascend') # Ascend, CPU, GPU创建训练作业时选择了ascend，不知道哪里错了。【截图信息】[2022-02-12T16:30:57+08:00][ModelArts Service Log][task]Detect Npu[2022-02-12T16:30:57+08:00][ModelArts Service Log][ERROR][detect] ascend-check error, exiting...[2022-02-12T16:30:57+08:00][ModelArts Service Log][ERROR][detect] code: 31, message: ---------【日志信息】（可选，上传日志内容或者附件）[2022-02-12T16:30:50+08:00][ModelArts Service Log][init] toolkit_obs_upload_job_pid = 55 [2022-02-12T16:30:50+08:00][ModelArts Service Log][init] toolkit_obs_upload_pid = 56 [2022-02-12T16:30:50+08:00][ModelArts Service Log][init] running at 2022-02-12-16:30:50 [2022-02-12T16:30:50+08:00][ModelArts Service Log][init] ip of the pod: 172.16.0.156 [2022-02-12T16:30:51+08:00][ModelArts Service Log][task]Detect item: disk-size shm [2022-02-12T16:30:51+08:00][ModelArts Service Log][INFO][detect] code: 0, message: ok, item: disk-size shm [2022-02-12T16:30:51+08:00][ModelArts Service Log][task]Detect item: dns [2022-02-12T16:30:51+08:00][ModelArts Service Log][INFO][detect] code: 0, message: ok, item: dns [2022-02-12T16:30:51+08:00][ModelArts Service Log][task]Detect item: disk-size root [2022-02-12T16:30:51+08:00][ModelArts Service Log][INFO][detect] code: 0, message: ok, item: disk-size root [2022-02-12T16:30:51+08:00][ModelArts Service Log][task]Detect item: disk-size cache [2022-02-12T16:30:51+08:00][ModelArts Service Log][INFO][detect] code: 0, message: ok, item: disk-size cache [2022-02-12T16:30:51+08:00][ModelArts Service Log][init] autosearch_path is empty, skip the autosearch download [2022-02-12T16:30:51+08:00][ModelArts Service Log][init] start to download the code [2022-02-12T16:30:51+08:00][ModelArts Service Log][init] code_url: s3://lenet555/lenet5/ [2022-02-12T16:30:51+08:00][ModelArts Service Log][init] modelarts_downloader_job_pid = 258 [ModelArts Service Log]2022-02-12 16:30:52,346 - modelarts-downloader.py[line:264] - INFO: Main: modelarts-downloader starting with Namespace(dst='./', recursive=True, skip_creating_dir=False, src='s3://lenet555/lenet5/', trace=False, type='common', verbose=False) [ModelArts Service Log]2022-02-12 16:30:52,493 - consumer.py[line:107] - INFO: MoXing Local Track Mode. [2022-02-12T16:30:53+08:00][ModelArts Service Log][init] code is now in /home/ma-user/modelarts/user-job-dir [ModelArts Service Log][init]engine type is: ascend-powered-engine [ModelArts Service Log][init]python version: 3 [2022-02-12T16:30:53+08:00][ModelArts Service Log][init] inputs_handler_job_pid = 346 [ModelArts Service Log][INFO][2022/02/12 16:30:53]: caching the content of [data_url] inputs [ModelArts Service Log]2022-02-12 16:30:54,001 - modelarts-downloader.py[line:264] - INFO: Main: modelarts-downloader starting with Namespace(dst='./', recursive=True, skip_creating_dir=True, src='s3://lenet555/lenet5/lenet5/MNIST/', trace=False, type='common', verbose=False) [ModelArts Service Log]2022-02-12 16:30:54,080 - consumer.py[line:107] - INFO: MoXing Local Track Mode. [ModelArts Service Log][INFO][2022/02/12 16:30:54]: cache the content of [data_url] inputs successfully [ModelArts Service Log][INFO][2022/02/12 16:30:54]: it can be accessed at local dir [/home/ma-user/modelarts/inputs/data_url_0] [ModelArts Service Log][INFO][2022/02/12 16:30:55,167]: mkdir for local output dir [ModelArts Service Log][INFO][2022/02/12 16:30:55,167]: output-handler finalized [2022-02-12T16:30:55+08:00][ModelArts Service Log][init] exiting at 2022-02-12-16:30:55 [2022-02-12T16:30:55+08:00][ModelArts Service Log][init] upload_metrics_pid = 569 [2022-02-12T16:30:55+08:00][ModelArts Service Log][init] stop toolkit_obs_upload_pid = 56 by signal SIGTERM [2022-02-12T16:30:55+08:00][ModelArts Service Log][sidecar] toolkit_obs_upload 56 ret_code is 0 [2022-02-12T16:30:55+08:00][ModelArts Service Log][init] exit with 0 [2022-02-12T16:30:57+08:00][ModelArts Service Log][task]Detect Npu [2022-02-12T16:30:57+08:00][ModelArts Service Log][ERROR][detect] ascend-check error, exiting... [2022-02-12T16:30:57+08:00][ModelArts Service Log][ERROR][detect] code: 31, message: ---------driver_health_state: 0, device_health_state: 1, net_health_state: 0 --------, item: ascend-check [2022-02-12T16:30:57+08:00][ModelArts Service Log]exit with 31 [2022-02-12T16:30:58+08:00][ModelArts Service Log][sidecar] running at 2022-02-12-16:30:58 [2022-02-12T16:30:58+08:00][ModelArts Service Log][sidecar] toolkit_obs_upload_by_channels_job_pid = 38 [2022-02-12T16:30:58+08:00][ModelArts Service Log][sidecar] toolkit_obs_upload_by_channels_pid = 39 [2022-02-12T16:30:58+08:00][ModelArts Service Log][sidecar] waiting for training complete [2022-02-12T16:30:58+08:00][ModelArts Service Log][sidecar] training is completed [2022-02-12T16:30:58+08:00][ModelArts Service Log][sidecar] stop toolkit_obs_upload_by_channels_pid = 39 by signal SIGTERM time="2022-02-12T16:30:58+08:00" level=info msg="local dir = /home/ma-user/modelarts/outputs/train_url_0/" file="upload.go:191" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=train_url time="2022-02-12T16:30:58+08:00" level=info msg="obs dir = s3://lenet555/lenet5/lenet5/output/" file="upload.go:194" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=train_url time="2022-02-12T16:30:58+08:00" level=info msg="start the periodic upload task, upload Period = 30 seconds " file="upload.go:204" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=train_url time="2022-02-12T16:30:58+08:00" level=info msg="the periodic upload task exiting..." file="upload.go:214" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=train_url time="2022-02-12T16:30:58+08:00" level=info msg="local dir = /home/ma-user/modelarts/log/" file="upload.go:191" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=srt_log_collection time="2022-02-12T16:30:58+08:00" level=info msg="obs dir = s3://modelarts-training-log-cn-north-4/2c83617e-3ed7-4e8d-82a0-d6fd4b044eef/worker-0" file="upload.go:194" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=srt_log_collection time="2022-02-12T16:30:58+08:00" level=info msg="enable append upload mode" file="upload.go:197" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=srt_log_collection time="2022-02-12T16:30:58+08:00" level=info msg="start the periodic upload task, upload Period = 5 seconds " file="upload.go:204" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=srt_log_collection time="2022-02-12T16:30:58+08:00" level=info msg="the periodic upload task exiting..." file="upload.go:214" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=srt_log_collection

ModelArts是面向AI开发者的一站式开发平台，提供海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流。https://www.huaweicloud.com/product/modelarts.html“一站式”是指AI开发的各个环节，包括数据处理、算法开发、模型训练、模型部署都可以在ModelArts上完成。从技术上看，ModelArts底层支持各种异构计算资源，开发者可以根据需要灵活选择使用，而不需要关心底层的技术。同时，ModelArts支持Tensorflow、PyTorch、MXNet等主流开源的AI开发框架，也支持开发者使用自研的算法框架，匹配您的使用习惯。ModelArts的理念就是让AI开发变得更简单、更方便。面向不同经验的AI开发者，提供便捷易用的使用流程。例如，面向业务开发者，不需关注模型或编码，可使用自动学习流程快速构建AI应用；面向AI初学者，不需关注模型开发，使用预置算法构建AI应用；面向AI工程师，提供多种开发环境，多种操作流程和模式，方便开发者编码扩展，快速构建模型及应用。产品架构ModelArts是一个一站式的开发平台，能够支撑开发者从数据到AI应用的全流程开发过程。包含数据处理、模型训练、模型管理、模型部署等操作，并且提供AI Gallery功能，能够在市场内与其他开发者分享模型。ModelArts支持应用到图像分类、物体检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景。ModelArts架构产品优势一站式易上手高性能灵活

尊敬的微认证客户：您好！为帮助您深入了解华为云产品，探索新的技术场景，我们非常高兴地与您分享一个好消息：由华为资深研发团队精心打磨，潜心研发的新微认证《基于ModelArts的安全帽检测全流程开发》将于2022年1月20日正式上线！届时请进入华为云开发者学堂-微认证-人工智能查看产品详情，体验使用，我们非常期待您的宝贵建议。以下为该微认证详情，您可提前了解：产品名称: 《基于ModelArts的安全帽检测全流程开发》适合人群： 对人工智能进阶技术感兴趣的人员，社会大众和高校师生；培训方案： 基于华为云ModelArts的自动学习进行目标检测及全流程web端应用开发；技术能力： 了解ModelArts自动学习，掌握华为云ModelArts的使用；认证价值： 了解ModelArts相关知识，体验ModelArts为企业应用带来的极大便利性。届时我们还将开展相关微认证上新活动，详情请关注华为云培训中心论坛-热门活动 相关通知。发布日期：2022年1月18日

描述背景昆虫害虫是影响农产品产量的主要因素之一。 准确识别虫害有助于及时采取预防措施，避免经济损失。模型简介这个模型可以预测102种常见的昆虫，包含rice leaf roller,rice leaf caterpillar, paddy stem maggot, asiatic rice borer, yellow rice borer等。输入一个图像，这个模型会预测该图像中昆虫分别属于每个类别的置信度，置信度的取值范围为0到1。使用方法目前该模型支持使用ModelArts平台进行交付，订阅该模型后，你可以将该模型发送到一个指定的Region的ModelArts平台。在ModelArts平台，你可以一键式地将该模型部署成在线API服务。你也可以收集、标注并上传自己真实业务场景中的数据，对该模型进行二次调优（Fine-tune）。在线服务使用ModelArts的资源把该模型部署成在线服务后，你可以在线服务的图形界面，上传图像，测试在线服务使用Curl命令发送预测请求使用Postman等图像界面，发送API调用请求使用Python脚本命令，构造API调用请求,如下所示import requests import json url = 'YOUR-API-URL-CREATED-IN-MODELARTS' headers = {'x-auth-token': 'YOUR-CLOUD-TOKEN'} filename = '/path/to/local/character_line_image.jpg' files = {'images': (filename, open(filename, 'rb'), "image/jpeg")} r = requests.post(url, files=files, headers=headers, verify=False) outputs = json.loads(r.content) print(outputs)交付交付方式华为云ModelArts交付区域华北-北京一、华北-北京四、华东-上海一、华东-上海二、华南-广州、亚太-**

描述背景物种的自动识别能够为生态环境监测、生物多样性保护、害虫防治等领域提供技术支持，减少对专家人工鉴定的依赖。模型简介这个模型可以预测10种常见的猴子亚类的品种。输入一个图像，这个模型会返回十种亚类的预测置信度，置信度得分的取值范围是0到1，分数越高，则越可能属于该类别。这个模型使用10 **ey Species数据集训练。数据集地址：https://www.kaggle.com/slothkong/10-**ey-speciesLabelLatin NameCommon Name中文名n0alouatta palliatamantled howler鬃毛吼猴n1erythrocebus pataspatas **ey赤猴n2cacajao calvusbald uakari白禿猴n3macaca fuscatajapanese macaque日本獼猴n4cebuella pygmeapygmy marmoset倭狨n5cebus capucinuswhite headed_capuchin卷尾猴n6mico argentatussilvery marmoset银色小猿n7saimiri sciureuscommon squirrel_**ey松鼠猴n8aotus nigricepsblack_headed night_**ey黑夜猴n9trachypithecus johniinilgiri langur印度乌叶猴使用方法目前该模型支持使用ModelArts平台进行交付，订阅该模型后，你可以将该模型发送到一个指定的Region的ModelArts平台。在ModelArts平台，你可以一键式地将该模型部署成在线API服务。你也可以收集、标注并上传自己真实业务场景中的数据，对该模型进行二次调优（Fine-tune）。在线服务使用ModelArts的资源把该模型部署成在线服务后，你可以在线服务的图形界面，上传图像，测试在线服务使用Curl命令发送预测请求使用Postman等图像界面，发送API调用请求使用Python脚本命令，构造API调用请求,如下所示import requests import json url = 'YOUR-API-URL-CREATED-IN-MODELARTS' headers = {'x-auth-token': 'YOUR-CLOUD-TOKEN'} filename = '/path/to/local/character_line_image.jpg' files = {'images': (filename, open(filename, 'rb'), "image/jpeg")} r = requests.post(url, files=files, headers=headers, verify=False) outputs = json.loads(r.content) print(outputs)二次调优在ModelArts平台，你可以将你的数据集上传OBS，然后使用ModelArts的计算资源，基于该模型和你的数据进行二次调优(Fine-tune)，可调参数eg.save_interval_secs = 2000000batch_size = 32save_summaries_steps = 5num_gpus = 4learning_rate_strategy = 0.002evaluate_every_n_epochs = 1max_epoches = 100log_every_n_steps = 10split_spec = train:0.8,eval:0.2eval_batch_size = 200数据格式用于训练的数据集需存储在OBS桶中，数据集对应的OBS文件夹及文件路径结构如下所示：|-- data_url |--a.jpg |--a.txt |--b.jpg |--b.txt ...– “data_url”表示文件夹名称，您可以自定义此文件夹名称。图片和标签文件不能直接存储在OBS桶的根目录下。– 图片和标签文档需统一名称，“.txt”为图像分类标签文档，图片的文件格式支持JPG、JPEG、PNG、BMP。– 除以上文件及文件夹外，“data_url”文件夹下不允许存任何其他文件或文件夹。交付交付方式华为云ModelArts交付区域华北-北京一、华北-北京四、华东-上海一、华东-上海二、华南-广州、亚太-**

2020年8月28日，华为云AI院长峰会在杭州千岛湖举行，来自中国科学院、中国工程院的多位院士，以及清华大学、北京大学、浙江大学、上海交通大学、复旦大学、中国科技大、哈尔滨工业大学、南京大学、西安交通大学等国内40余家顶尖高校的人工智能学院与计算机学院院长、教授、专家出席了大会，峰会阵容堪称国内高校的“顶尖配置”。峰会上华为云发布了五大AI人才培养规划，其中“华为云AI十百千学术计划”之百篇经典论文复现截至目前已取得重大进展：华为云官方累计发布50余篇AI经典论文供参与者复现，涵盖了计算机视觉、迁移学习、自然语言处理多个领域，吸引了数十所知名高校学子报名参加论文复现，不仅覆盖了C9院校，也不乏博士后参与;共计百余篇经典论文算法上线华为云AI Gallery，供开发者学习和使用。百余篇AI经典论文算法已上线AI Gallery针对当前AI经典论文算法在开源社区上的代码质量参差不齐，很多代码不好用、难用、甚至用不了，以及一些论文作者不共享源代码，无法指导AI开发者可以更好的参考与探索的现状，华为云官方将一些经典而又常用的论文算法上线华为云一站式AI开发平台ModelArts，供广大AI开发者免费使用，降低开发者学习门槛;同时发起华为云AI经典论文复现活动，鼓励参与者基于ModelArts复现AI经典论文，并将复现的论文算法开放共享到ModelArts AI Gallery, 打造AI开发者学习社区，从而达到赋能AI开发者，让更多人来低门槛使用经典的算法目标。目前，已经有百余篇AI经典论文算法上线华为云AI Gallery，开发者可以了解算法介绍、查看代码，以及一键订阅算法，在ModelArts平台进行训练和推理。华为云ModelArts产品团队表示，将这些百余篇AI经典论文算法与现有教程结合，构建一整套由浅入深的“AI学习天梯”，帮助各行各业的开发者在人工智能领域“渐入佳境”。全方位支持AI经典论文复现为了让开发者更好地学习AI，华为云举办的AI经典论文复现活动，设置了百万级别奖金池，成功复现并通过验收即可获得奖金激励。每篇论文一支队伍复现，论文一经发布即引来各大知名高校学生参与，基于自身研究领域选择熟悉的论文。此外，为了帮助学生能顺利完成复现，活动中给报名学生们提供了全方位支持，包含ModelArts赋能和论文复现活动宣讲、提供充足的ModelArts算力、全周期指导和问题解答，整个活动受到了学生们的一致好评。代表性AI经典论文算法：图像分割-Fast-SCNN随着自动驾驶汽车的兴起，迫切需要一种能够实时处理输入的模型。目前已有一些先进的离线语义分割模型，但这些模型体积大，内存大，计算量大，Fast-SCNN: Fast Semantic Segmentation Network可以解决这些问题。它是一种针对高分辨率图像数据的实时语义分割模型，适用于低内存嵌入式设备上的高效计算。代表性AI经典论文算法：目标检测-TSD目前很多研究表明目标检测中的分类分支和定位分支存在较大的偏差，论文从sibling head改造入手，跳出常规的优化方向，提出TSD：Revisiting the Sibling Head in Object Detector方法解决混合任务带来的内在冲突，该方法可以灵活插入大多检测器中，帮助通用的检测器大幅度提升性能3%-5%，在COCO上，基于ResNet-101可以达到49.4的map，在SENet154上可以达到51.2。

作者：历天一【摘要】 基于HiLens Kit已经基本开发完成，可部署到HiLens Kit，模型的选择为基于DarkNet53的YOLOv3模型，权重为基于COCO2014训练的数据集，而车道线的检测是基于OpenCV的传统方法实现的，可通过ModelArts AI Gallery与HiLens Kit全流程端云协同开发部署。先来看看最终视频效果吧（PS：请忽略背景音乐）！                                                                 主体流程介绍：（可选，忽略亦可，取决于摄像头质量，对于相机畸变较大的需要先计算相机的畸变矩阵和失真系数，对图片进行校正）图片校正；截取感兴趣区域，仅对包含车道线信息的图像区域进行处理；对感兴趣区域使用透视变换；针对不同颜色的车道线，不同光照条件下的车道线，不同清晰度的车道线，根据不同的颜色空间使用不同的梯度阈值，颜色阈值进行不同的处理。并将每一种处理方式进行融合，得到车道线的二进制图；提取二进制图中属于车道线的像素；对二进制图片的像素进行直方图统计，统计左右两侧的峰值点作为左右车道线的起始点坐标进行曲线拟合；使用二次多项式分别拟合左右车道线的像素点（对于噪声较大的像素点，可以进行滤波处理，或者使用随机采样一致性算法进行曲线拟合）；计算车道曲率及车辆相对车道中央的偏离位置；效果显示（可行域显示，曲率和位置显示）。检测驾驶过程中道路中其他车辆状态，显示车辆类别、置信度，并通过YOLOv3进行检测车辆，然后返回的车辆检测框的坐标与当前坐标进行透视变换获取大约的距离作为车辆之间的距离dis。说明：本Demo的主体框架基于HiLens Kit已经基本开发完成，模型的选择为基于DarkNet53的YOLOv3模型，权重为基于COCO2014训练的数据集，而车道线的检测是基于OpenCV的传统方法实现的，所以计算量较大，导致整体速度较慢。关于部署和训练——基于ModelArts 和HiLens Kit的端云协同：考虑到部署，已经测试过部署到HiLens Kit了，对了，也支持在HiLens Stuido运行模拟测试，更推荐在HiLens Studio哦，比较方便，而且不需要硬件支持，只需要在HiLens Kit或HiLens Studio上安装pillow库就行了，关于如何在HiLens Kit和HiLens Studio上安装第三方库，非常简单的哦，可参考：在HiLens Kit上：https://bbs.huaweicloud.com/forum/thread-94316-1-1.html在HiLens Studio上：https://bbs.huaweicloud.com/forum/thread-94317-1-1.html如果想训练或优化，由没有硬件（比如GPU），那么很推荐使用ModelArts了，一站式开发，无缝衔接到HiLens Kit哦，关于ModelArts的介绍可参考：https://www.huaweicloud.com/product/modelarts.html同时也许还能提升下运行速度，这里介绍三种算法，亲测都可以部署到HiLens Kit推理使用哦，就在最新的AI Gallery（原AI市场）中哦，这里除了有算法，还有模型、数据集等等，很丰富，大家可以自己探索一下，同时还可以分享自己的算法给其他开发者，开发者订阅即可创建训练使用，很方便，相比于GitHub，不仅提供了源代码，还提供了用于训练的硬件资源，强大的Tesla V100 32GB版本哦。                                              （1）YOLOv3_Darknet53，没错，就是著名的YOLOv3，经典的目标检测网络，后续又推出了YOLOv4、YOLOv5（暂称此名吧），AI Gallery也推出了YOLOv5的，不过由于PyTorch框架暂不支持模         型转换，所以暂时放弃了。       关于YOLOv3_Darknet53的使用方法，算法界面介绍很详细，这里就不赘述了，可以参考使用，注意模型转换部分请参考这篇博文中模型转换部分哦：https://bbs.huaweicloud.com/blogs/199870       算法备用链接为：https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=2d52a07e-ccbd-420f-8999-2ea7b4bdd691     （2）YOLOv3_Resnet18(GPU)，如果我们只想做车辆的检测或者为了简化模型，提高速度，可以选用主干网络为Resnet18的YOLOv3，网络更轻量，速度会快一些哦。       同样给上链接：https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=948196c8-3e7a-4729-850b-069101d6e95c     （3）YOLOv3_Resnet18(Ascend 910)，和上面（2）版本差异不大，主要改为由GPU换为Ascend 910训练的，大家可自由选择哦。       链接为：https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=7087008a-7eec-4977-8b66-3a7703e9fd22好了，算法部分解决了，数据怎么办呢？ModelArts的AI Gallery同样想到了，提供了数据集哦，免费订阅，下载到自己的OBS导入就能用了(注意OBS需要一定花费)，这里我也提供了开源数据集的5164张人车图片，供大家使用哦，上链接：https://marketplace.huaweicloud.com/markets/aihub/datasets/detail/?content_id=a337272b-6918-4282-83d6-2b15e2a4c716那么数据集和算法都有了，该训练了吧，在ModelArts上可以很好完成，凭借强大的Tesla V100 32GB或Ascend 910可以很快完成哦。上述整体操作流程部分可参考下述博文完成：https://bbs.huaweicloud.com/blogs/199870运行效果：完成执行如视频中所示处理的一帧需要约300ms，也就是FPS约为3，不较慢，需要优化。我觉得还有很大优化空间，比如：（1）预处理和后处理很费时间，真正推理很快，可以从这方面加速，不知道开启多线程是否有提升，应该有吧；（2）应该可以更好发挥专用硬件，记得好像有DVPP和AIPP吧，可以用来做色域转换的操作；  (3)  YOLOv3的后处理解析比较麻烦，这里用的是COCO的80类，但可以只用person、car两类，或者再加一点，同时nms也比较费时间，如果能用算子实现，融合到om模型中，会提速很多；（4）这里使用的是Python，如果用C++应该会提升一些，执行效率会高很多吧。（5）优化提速要根据硬件性能，对费时的部分做分析，以最大压榨硬件性能，需要做针对性、定制化地优化，我个人理解很浅，希望有熟悉的同学指教。备注：本Demo所用模型、代码均来自开源代码，好像是吴恩达老师的一个课程涉及的项目，但找不到出处了，如果知道的同学，还请在在下方回复指教，谢谢了。本Demo的模型精度以及运行速度不做保证，仅供学习交流使用。其他未尽事宜，还请多多指教。代码会开源的，敬请期待哦，谢谢。来源：华为云社区 https://bbs.huaweicloud.com/blogs/226039

【DevRun开发者沙龙直播】11月17日晚20：00-21：00，来自华为云人工智能大赛金奖得主“上海麦图科技有限公司”的多位专家——CTO王宏锋、华为云MVP、智能塔台技术总监徐擎阳、首席AI架构师李鑫和AI算法专家孔维国一同进行华为云DevRun官方直播，全面剖析获奖项目《基于ModelArts与HiLens的智能塔台监控防护系统解决方案》直播回看：https://vhall.huawei.com/fe/watch/6671