公开项目地址，可以自己fork直接运行代码
先在notebook中写好运行命令，然后将当前版本进行保存后，提交到后台任务中运行，运行的环境为至尊版。
直接写shell脚本或者python脚本文件，将脚本提交到服务器集群，运行的环境可以选择P40运行环境和四卡V100环境。
如果需要使用迁移学习，由于上传的文件大小受限，可以将预训练模型作为数据集存入到项目中，然后再解压使用。
pwd nvidia-smi mkdir data unzip -oq /root/paddlejob/workspace/train_data/datasets/data121670/Big.zip -d /root/paddlejob/workspace/code/data git clone https://gitee.com/paddlepaddle/PaddleDetection.git -b release/2.1 cd PaddleDetection && git checkout release/2.1 # 安装依赖 pip install paddledet==2.1 -i https://mirror.baidu.com/pypi/simple cd .. cp runtime.yml ./PaddleDetection/configs/runtime.yml cp cascade_rcnn_r50_fpn_1x_coco.yml ./PaddleDetection/configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.yml cp coco_detection.yml ./PaddleDetection/configs/datasets/coco_detection.yml cp optimizer_1x.yml ./PaddleDetection/configs/cascade_rcnn/_base_/optimizer_1x.yml cp cascade_rcnn_r50_fpn.yml ./PaddleDetection/configs/cascade_rcnn/_base_/cascade_rcnn_r50_fpn.yml cp cascade_fpn_reader.yml ./PaddleDetection/configs/cascade_rcnn/_base_/cascade_fpn_reader.yml python -m paddle.distributed.launch --gpus 0,1,2,3 ./PaddleDetection/tools/train.py -o num_classes=1 -c ./PaddleDetection/configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.yml --eval --use_vdl=Ture python -u ./PaddleDetection/tools/export_model.py -c ./PaddleDetection/configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.yml --output_dir=./inference_model -o weights=./output/cascade_rcnn_r50_fpn_1x_coco/best_model mv ./inference_model/* /root/paddlejob/workspace/output mv vdl_log_dir/* /root/paddlejob/workspace/output
注：关于多卡训练时的参数设置，首先需要修改的是学习率，之前讲到配置文件中默认的学习率为八卡学习率，如果使用单卡训练需要除以8或者更大的数字，如果是多卡训练，则需要乘对应的倍数。由于数据读取配置文件中的参数是以每张GPU的数据读取量进行配置的，所以当增加训练卡的数量时，不需要相应增加batchsize等配置参数。同时还需要设置运行卡的数量。
