docker一条命令部署模型
linux下部署命令
docker run -tdi --net mynet10 --ip 10.10.20.4 --name tfmodelcpu --privileged=true registry.cn-hangzhou.aliyuncs.com/mkmk/tfmodels:cpu14 init && docker exec -d tfmodelcpu /bin/bash -c "cd /home && nohup /usr/local/python3/bin/jupyter notebook --allow-root &"
windows下部署命令
docker run -tdi --net mynet10 --ip 10.10.20.4 --name tfmodelcpu --privileged=true registry.cn-hangzhou.aliyuncs.com/mkmk/tfmodels:cpu14 init | docker exec -d tfmodelcpu /bin/bash -c "cd /home && nohup /usr/local/python3/bin/jupyter notebook --allow-root &"
之后可以在 10.10.20.4:8888 查看模型代码以及使用说明
然后可以通过 10.10.20.4:22 ssh连接容器运行模型训练
物体检测模型object_detection是
tensorflow的 github开源项目
模型下载地址
https://github.com/tensorflow/models
下载完成后,
cd home #不推荐这样下载 会很慢 ,建议开代理自己下载放到 home目录 wget -c https://github.com/tensorflow/models/archive/master.zip unzip master.zip
#centos7的主机
如果你是ubuntu 把 第一句话 yum 改成 apt
(ubuntu 用户 apt install Cython) yum install Cython pip3 install tensorflow==1.12.0 matplotlib Pillow pandas pycocotools cd research python3 setup.py install cd research/silm python3 setup.py
使用说明
//cd training //生成tfrecord文件 //训练集 ,测试集各执行一次 cd /home/models-master/research/object_detection/training #先 生成 csv 文件 python3 xml_to_csv.py python3 product_tfrecord.py --csv_input=data/train_labels.csv --output_path=data/train.record python3 product_tfrecord.py --csv_input=data/test_labels.csv --output_path=data/test.record 成功提示 #data/test_labels.csv #Successfully created the TFRecords: /home/models-master/research/object_detection/training/data/test.record 开始训练 python3 model_main.py --pipeline_config_path=ssd_mobilenet_v1_coco.config --model_dir=result --num_train_steps=20000 --num_eval_steps=500 --alsologtostderr
部署成功提示