操控流畅;手机、Pad、车机等多形态终端访问云手机,实现跨屏互动式体验 应用秒开、免下载/更新:大型应用云端秒开,KooPhone统一维护、定期更新,节省存储空间 文档与学习成长 快速入门 快速入门 什么是云手机服务 快速上手通用云手机 用户指南 用户指南 购买云手机 为用户分配云手机
支持开集检测、视觉交互检测等开放式识别模型,支持物体检测、多目标跟踪等闭集模型 低门槛开发 支持数据工程、模型开发、垂域应用开发工具链 低成本部署 支持百万参数轻量化模型部署 模型介绍 应用场景 应用场景 场景化AI案例,AI落地零门槛 场景化AI案例,AI落地零门槛 工业生产 汇聚行业数据,使用基础模型构建行业大模
分权分域管理 基础智能语音助手 审批模型数 50 个 限时免费,更多权益 标准版本 基础版本的一切功能 审批模型数 100 个 分支条件数量 50 个 发票识别 选项关联 电子签署 立即购买 个性定制,高阶服务 旗舰版本 标准版本的一切功能 审批模型数 1000 个 分支条件数量 100
718B深度思考模型 高效训推 覆盖全链路的训推工具 负载均衡 多维度负载均衡策略 安全防护 支持模型加密与模型混淆保护 盘古NLP大模型系列 模型规格说明 训练和部署盘古系列模型、三方开源模型请登录 ModelArts Studio控制台 盘古NLP大模型系列 模型规格说明 训练和部署盘古系列模型、三方开源模型请登录
盘古大模型 PanguLargeModels 盘古大模型 PanguLargeModels 盘古大模型是面向B端行业的大模型,包含L0中5类基础大模型、L1行业大模型及L2场景模型三层架构 盘古大模型是面向B端行业的大模型,包含L0中5类基础大模型、L1行业大模型及L2场景模型三层架构
果辅助分析能力 文档与学习成长 盘古大模型 盘古大模型 什么是盘古大模型 盘古预测大模型能力与规格 盘古大模型快速入门 如何调用盘古大模型API 查看全部 AI Gallery百模千态社区 AI Gallery百模千态社区 优质昇腾云AI模型专区 几行代码自由部署AI应用 丰富多样的AI训练数据集
业,快速孵化大模型场景化应用 大模型混合云十大创新技术 大模型混合云十大创新技术 了解详情 十大创新技术 加速构建企业专属大模型 十大创新技术 加速构建企业专属大模型 围绕企业大模型构建关键过程,聚焦根技术,为AI原生系统性创新 围绕企业大模型构建关键过程,聚焦根技术,为AI原生系统性创新
外部人员填单 驳回到指定节点 效能 短信催办通知 限时审批 效能看板 入门体验 手机WeLink扫一扫 立即购买 立即购买 源自华为,安全、省时、高效的一站式流程管理工具 特性名称 基础版 标准版 旗舰版 配额 审批模型数 50 100 1000 分支条件数量 30 50 100 审批记录查询范围
KooPhone客户端下载 云手机服务APP端当前仅支持Android系统;网页端手机、电脑可无限畅享 安卓端扫码下载APP 手机浏览器或微信扫码体验网页版 使用指南 用户指南 开始使用云手机服务 KooPhone 常见问题 使用云手机服务 KooPhone过程中的常见问题 KooPhone客户端
史事件的全息再现,打造全国第一家智慧全息讲解纪念馆。模型制作服务Model making service,创新了全新的智慧讲解体验,将丰富展区虚拟内容与历史事件的全息再现,打造智慧全息讲解纪念馆。借助虚实融合的技术,全面提升手机用户在参观纪念馆过程中的参观体验,为参观者提供虚实融
【手机二要素-手机身份认证-手机身份二要素-手机姓名认证-手机二要素实名认证】12年专业云通信服务商,验证手机号、身份证是否一致,支持携号转网,直连运营商数据源,纯实时高质量接口,银行级等保安全更稳定。一、产品介绍 传入手机号码、身份证号码,验证是否匹配,并返回手机号码基本信息。
【手机二要素-手机身份认证-手机身份二要素-手机姓名二要素-手机实名认证】12年专业云通信服务商,验证手机号、姓名是否一致,支持携号转网,直连运营商数据源,纯实时高质量接口,银行级等保安全更稳定。一、产品介绍 传入姓名、手机号码验证是否匹配,并返回手机号码基本信息。直连官方数据源
智慧监控AI模型综合集成了人脸识别模型、安全帽识别模型、口罩佩戴识别模型、车牌识别模型、车辆占道识别模型5种AI模型。一,人脸识别服务 人脸识别模型目前提供授权认证、模型加载、人脸注册、人脸识别、人脸删除、特征提取六个接口服务。 授权认证:需先进行授权认证,才能够正常使用人脸识别服务;
性,为销量预测模型提供可靠的数据支持3、指导品牌方利用模型正确输出预测结果。详细讲解销量预测模型的输出原理和方法,让品牌方掌握正确输出及解读预测结果的技巧4、指导品牌方对模型调优,以提高模型预测准确度。指导品牌方进行模型参数调整、数据更新和算法优化等工作,传授模型调优的方法和技巧
. 模型更新后,将新模型部署至相应环境。 十一、模型评测1. 设计模型评测方案,对大模型各类指标进行评测。2. 能够按评测标准对大模型各项能力进行打分,输出大模型评测报告。 十二、Agent开发1. 基于场景,设计并开发Agent工具。2. 基于langchain等大模型框架,完
通用API•通用数据•通用模型通用API接口,快速、稳定云服务-专属API+专属CoPilot•企业专有数据•通用模型构建向量数据库云服务-专属模型API•企业专有数据•企业私有模型私有化数据,训练专属模型私有化-初阶模型•企业专有数据•通用模型通用模型+CoPilot的私有化部
《互联网信息服务算法推荐管理规定》明确,具有舆论属性或者社会动员能力的算法推荐服务提供者应当在提供服务之日起十个工作日内通过互联网信息服务算法备案系统填报服务提供者的名称、服务形式、应用领域、算法类型、算法自评估报告、拟公示内容等信息 方便
验-手机二要素-手机二要素验证-手机二要素校验-手机号二要素-手机二要素核验-手机二要素-手机二要素认证-手机二要素-手机二要素实名-手机二要素实名认证-手机二要素鉴权-手机二要素验证-手机二要素实名-手机二要素实名认证—— 传入姓名、手机号码,校验此两项是否一致。直连三大运营商
ModelArts模型训练 ModelArts模型训练简介 ModelArts模型训练,俗称“建模”,指通过分析手段、方法和技巧对准备好的数据进行探索分析,从中发现因果关系、内部联系和业务规律,为商业目的提供决策参考。训练模型的结果通常是一个或多个机器学习或深度学习模型,模型可以应用到新的数据中,得到预测、评价等结果。
手机云服务 手机云服务 什么叫云手机本文为您介绍什么叫云手机、华为云手机优势、云手机性能、云手机使用及云手机搭建 什么叫云手机本文为您介绍什么叫云手机、华为云手机优势、云手机性能、云手机使用及云手机搭建 云手机 CPH 华为云鲲鹏云手机,是基于华为云鲲鹏裸金属服务器,虚拟出带有原
云手机 云手机 华为云鲲鹏在线云手机,是基于华为云鲲鹏裸金属服务器,虚拟出带有原生安卓操作系统,具有虚拟手机功能的云服务器。本文为您介绍在线云手机的功能、产品优势、使用教程等内容 立即使用 产品详情 为什么选择在线云手机 作为一种新型服务,在线云手机对传统物理手机起到了非常好的延
了解更多 重置云手机实例 重置云手机实例:云手机重置指将云手机的操作系统恢复到初始状态,云手机产生的所有数据也会被删除。一般适用于云手机系统崩溃且无法恢复的场景。 重置云手机实例:云手机重置指将云手机的操作系统恢复到初始状态,云手机产生的所有数据也会被删除。一般适用于云手机系统崩溃且无法恢复的场景。
云手机 云手机 云手机是基于华为云裸金属服务器虚拟出的带有原生安卓操作系统,同时具有虚拟手机功能的云服务器。您可以远程实时控制云手机,实现安卓APP的云端运行;也可以基于云手机的基础算力,高效搭建应用。 云手机是基于华为云裸金属服务器虚拟出的带有原生安卓操作系统,同时具有虚拟手机功
云手机 CPH”。 本章节介绍如何通过控制台查看云手机实例的详细信息。登录管理控制台。在管理控制台左上角,选择待查看云手机所在的区域。在服务列表页,选择“计算 > 云手机 CPH”。 了解更多 重置云手机实例 重置云手机实例:云手机重置指将云手机的操作系统恢复到初始状态,云手机产生
型、实例规格、手机镜像、所需要的网络配置等,即可获得一台服务器,以及相应数量的云手机。 手机开数 手机开数是云手机的一种规格参数,指一台服务器可以虚拟出的云手机数量。例如:手机开数为60,表示购买一台服务器,实际可以得到60台云手机。 云手机镜像 云手机镜像指手机运行的操作系统,
了解更多 重置云手机实例 重置云手机实例:云手机重置指将云手机的操作系统恢复到初始状态,云手机产生的所有数据也会被删除。一般适用于云手机系统崩溃且无法恢复的场景。 重置云手机实例:云手机重置指将云手机的操作系统恢复到初始状态,云手机产生的所有数据也会被删除。一般适用于云手机系统崩溃且无法恢复的场景。
了解更多 重置云手机实例 重置云手机实例:云手机重置指将云手机的操作系统恢复到初始状态,云手机产生的所有数据也会被删除。一般适用于云手机系统崩溃且无法恢复的场景。 重置云手机实例:云手机重置指将云手机的操作系统恢复到初始状态,云手机产生的所有数据也会被删除。一般适用于云手机系统崩溃且无法恢复的场景。
手机模型矢量图
方案概览
VAD (Vectorized Scene Representation for Efficient Autonomous Driving) 是一种面向自动驾驶的端到端矢量化范式,将驾驶场景建模为完全矢量化的表征。该矢量化范式具有两大显著优势:一方面,VAD利用矢量化的智能体运动轨迹和地图元素作为显式的实例级规划约束,有效提升了规划安全性;另一方面,通过摒弃计算密集的栅格化表征和人工设计的后处理步骤,VAD的运行速度显著快于先前的端到端规划方法。VAD在nuScenes数据集上取得了最先进的端到端规划性能,较先前最佳方法有显著提升。
本方案介绍了在 ModelArts Lite Server上使用昇腾计算资源 Ascend Snt9B 或 Ascend Snt9B23 开展VAD模型的训练过程。
资源规格要求
推荐使用“西南-贵阳一”Region上的Lite Server资源。
名称 |
版本 |
---|---|
NPU卡数 |
Ascend Snt9B:8卡, Ascend Snt9B23:8卡 或 16卡 |
Driver |
Ascend Snt9B:24.1.0.6, Ascend Snt9B23:24.1.RC3.5 |
PyTorch |
PyTorch-2.1.0 |
获取软件和 镜像
分类 |
名称 |
获取路径 |
---|---|---|
插件代码包 |
AscendCloud-ACD-6.5.905-xxx.zip 文件名中的xxx表示具体的时间戳,以包名发布的实际时间为准。 |
获取路径:Support-E,在此路径中查找下载ModelArts 6.5.905版本。
说明:
如果上述软件获取路径打开后未显示相应的软件信息,说明您没有下载权限,请联系您所在企业的华为方技术支持下载获取。 |
Snt9B 基础镜像包 |
swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-hce_2.0.2503-aarch64-snt9b-20250513111215-29295f8 |
SWR 上拉取。 |
Snt9B23 基础镜像包 |
swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-hce_2.0.2503-aarch64-snt9b23-20250509115535-21587eb |
SWR上拉取。 |
约束限制
- 本文档适配昇腾云ModelArts 6.5.905版本,请参考表2 获取软件和镜像获取配套版本的软件包和镜像,请严格遵照版本配套关系使用本文档。
- 确保容器可以访问公网。
步骤一:检查环境
- 请参考Lite Server资源开通,购买Lite Server资源,并确保机器已开通,密码已获取,能通过SSH登录,不同机器之间网络互通。
购买Lite Server资源时如果无可选资源规格,需要联系华为云技术支持申请开通。
当容器需要提供服务给多个用户,或者多个用户共享使用该容器时,应限制容器访问Openstack的管理地址(169.254.169.254),以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据。
- SSH登录机器后,检查NPU卡状态。运行如下命令,返回NPU设备信息。
npu-smi info # 在每个实例节点上运行此命令可以看到NPU卡状态
如出现错误,可能是机器上的NPU设备没有正常安装,或者NPU镜像被其他容器挂载。请先正常安装固件和驱动,或释放被挂载的NPU。
- 检查是否安装docker。
docker -v #检查docker是否安装
如尚未安装,运行以下命令安装docker。
yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64
- 配置IP转发,用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值,如果为1,可跳过此步骤。
sysctl -p | grep net.ipv4.ip_forward
如果net.ipv4.ip_forward配置项的值不为1,执行以下命令配置IP转发。sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf sysctl -p | grep net.ipv4.ip_forward
步骤二:下载镜像并启动容器
- 获取基础镜像。建议使用官方提供的镜像部署推理服务。镜像地址{image_url}参见表2 获取软件和镜像。
docker pull {image_url}
- 启动 容器镜像 。启动前请先按照参数说明修改${}中的参数。可以根据实际需要增加修改参数。
export work_dir="自定义挂载的工作目录" export container_work_dir="自定义挂载到容器内的工作目录" export container_name="自定义容器名称" export image_name="镜像名称" docker run -itd \ -u root \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci8 \ --device=/dev/davinci9 \ --device=/dev/davinci10 \ --device=/dev/davinci11 \ --device=/dev/davinci12 \ --device=/dev/davinci13 \ --device=/dev/davinci14 \ --device=/dev/davinci15 \ --device=/dev/davinci_manager \ --device=/dev/devmm_svm \ --device=/dev/hisi_hdc \ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \ -v /usr/local/dcmi:/usr/local/dcmi \ -v /etc/ascend_install.info:/etc/ascend_install.info \ -v /sys/fs/cgroup:/sys/fs/cgroup:ro \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/bin/hccn_tool:/usr/bin/hccn_tool \ -v /etc/hccn.conf:/etc/hccn.conf \ --shm-size 1024g \ --net=host \ -v ${work_dir}:${container_work_dir} \ --name ${container_name} \ $image_name \ /bin/bash
参数说明:
- -v ${work_dir}:${container_work_dir}:代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。为方便两个地址可以相同。例如“/home/vad:/home/vad ”
${work_dir}为宿主机中工作目录,目录下可存放项目所需代码、数据等文件。请确保容器内用户对此路径有足够的访问权限。
${container_work_dir}为要挂载到的容器中的目录。
- --name ${container_name} 容器名称,进入容器时会用到,此处可以自己定义一个容器名称,例如“vad_test”。
- --device=/dev/davinci0 :挂载对应卡到容器,请按照机器实际需要使用到的NPU数量来配置,上面给出的是使用16卡NPU训练的例子。
- 请确保容器内用户对${work_dir}有足够的访问权限。
- ${container_work_dir}不能为/home/ma-user目录,此目录为ma-user用户家目录。
- driver及npu-smi需同时挂载至容器。
- 不要将多个容器绑到同一个NPU上,会导致后续的容器无法正常使用NPU功能。
- -v ${work_dir}:${container_work_dir}:代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。为方便两个地址可以相同。例如“/home/vad:/home/vad ”
- 进入容器。
docker exec -u root -it ${container_name} bash
步骤三:容器内训练环境准备
- 创建新的虚拟环境
conda create -n vad --clone PyTorch-2.1.0 conda activate vad
- 创建项目目录
mkdir -p /home/vad/project cd /home/vad/project export P_HOME=`pwd`
- 将获取到的插件代码包AscendCloud-ACD-6.5.905-*.zip文件上传到容器的${P_HOME}目录下,并解压。
cd $P_HOME unzip -q AscendCloud-ACD-6.5.905-*.zip # 解压905自动驾驶相关版本包 cd AscendCloud* mv models/VAD $P_HOME/VAD_support
- 创建patches目录,并将patch文件移入目录
cd $P_HOME mkdir patches && cd patches export PATCH_HOME=`pwd` mv $P_HOME/VAD_support/*.patch . # 将patch相关文件移动到此文件夹
- 安装 DrivingSDK
cd $P_HOME git clone https://gitee.com/ascend/DrivingSDK.git -b master cd DrivingSDK git checkout 059ec6e170152170c407e595e09e0823e44f4ba8 pip3 install -r requirements.txt vim CMakePresets.json # 修改 "ENABLE_ONNX"选项: 为False umask 0027 # 保证文件权限正确 bash ci/build.sh --python=3.10 # 按照镜像内python版本指定 pip3 install ./dist/mx_driving-1.0.0+git059ec6e-cp310-cp310-linux_aarch64.whl pip3 show mx-driving # Version: 1.0.0+git059ec6e
- 安装MindSpeed
cd $P_HOME git clone https://gitee.com/ascend/MindSpeed.git cd MindSpeed git checkout c3f2f77f58efba69dd21840fcbb758645fa5b579 pip3 install -e . pip3 show mindspeed # Version: 0.9.0
- 安装mmcv-full 1.x
# 卸载镜像内原有的mmcv pip3 uninstall mmcv -y cd $P_HOME git clone https://github.com/open-mmlab/mmcv.git cd mmcv git checkout 1d8f9285674f2b1f9f2d7758d3f945ebb74fcf82 git apply $PATCH_HOME/mmcv.patch MMCV_WITH_OPS=1 FORCE_NPU=1 python setup.py build_ext MMCV_WITH_OPS=1 FORCE_NPU=1 python setup.py develop pip3 show mmcv-full # Version: 1.7.2
- 安装 mmdet3d v1.0.0rc6
cd $P_HOME git clone https://github.com/open-mmlab/mmdetection3d.git cd mmdetection3d git checkout 47285b3f1e9dba358e98fcd12e523cfd0769c876 git apply $PATCH_HOME/mmdet3d.patch pip3 install -e . pip3 show mmdet3d # Version: 1.0.0rc6
- 安装其它依赖
pip3 install mmdet==2.28.2 mmsegmentation==0.30.0 timm==1.0.9 nuscenes-devkit==1.1.11 similaritymeasures==1.2.0 numpy==1.23.4
- 下载模型代码,将插件代码包内的scripts文件夹移动到模型代码目录
cd $P_HOME git clone https://github.com/hustvl/VAD.git cd VAD export VAD_HOME=`pwd` git checkout 081473d6e1756a4ecee95425c05fc6644d17bb5f git apply $PATCH_HOME/vad.patch mv $P_HOME/VAD_support/scripts . # 将scripts文件夹移动到此目录
步骤四:准备训练数据集和模型权重
- 请参考GitHub项目内数据处理部分的文档下载 nuScenes V1.0 full 和 CAN bus 数据集。
- 创建data目录并将下载的数据集做预处理。
cd $VAD_HOME mkdir data && cd data # 将下载好的数据集移动到此目录下并解压 # 对数据集做预处理 cd $VAD_HOME python tools/data_converter/vad_nuscenes_converter.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag vad_nuscenes --version v1.0 --canbus ./data
- 数据处理耗时较长。
- 下载预训练模型权重。
cd $VAD_HOME mkdir ckpts && cd ckpts wget https://download.pytorch.org/models/resnet50-19c8e357.pth
最终目录结构如下。VAD ├── projects/ ├── tools/ ├── configs/ ├── ckpts/ │ ├── resnet50-19c8e357.pth ├── data/ │ ├── can_bus/ │ ├── nuscenes/ │ │ ├── lidarseg/ │ │ ├── maps/ │ │ ├── samples/ │ │ ├── sweeps/ │ │ ├── v1.0-test/ │ │ ├── v1.0-trainval/ │ │ ├── vad_nuscenes_infos_temporal_train.pkl # 由数据预处理生成 │ │ ├── vad_nuscenes_infos_temporal_val.pkl # 由数据预处理生成
步骤五:开始训练与评估
- 进行8卡训练(精度)
cd $VAD_HOME sh scripts/start_train.sh
- 进行8卡训练(性能)
cd $VAD_HOME NPUS=8 MODE=performance sh scripts/start_train.sh
- 进行16卡训练(性能)
cd $VAD_HOME NPUS=16 MODE=performance sh scripts/start_train.sh
- 进行1卡评估
cd $VAD_HOME # 使用上次训练的最后一个模型做评估 sh scripts/start_evl.sh # 指定模型做评估 MODEL_PATH="to/model/path.pt" sh scripts/start_evl.sh
- 输出结果路径
# 训练结果目录 $VAD_HOME/scripts/output # 评估结果目录 $VAD_HOME/scripts/evl_result
- 当前模型训练和评估需要单独进行,无法在训练过程中进行评估。
- 请勿自行修改配置文件内Batch_Size的值。
- 当前只能进行单卡评估,多卡会影响评估结果准确性。
- 如果想使用预训练模型进行评估需要参照项目官网修改配置文件,具体细节可以参考:https://github.com/hustvl/VAD/blob/main/docs/train_eval.md
手机模型矢量图常见问题
更多常见问题 >>-
模型转换,即将开源框架的网络模型(如Caffe、TensorFlow等),通过ATC(Ascend Tensor Compiler)模型转换工具,将其转换成昇腾AI处理器支持的离线模型。
-
ModelArts模型训练旨在提升开发者模型训练的开发效率及训练性能。提供了可视化作业管理、资源管理、版本管理等功能,基于机器学习算法及强化学习的模型训练自动超参调优;预置和调优常用模型,简化模型开发和全流程训练管理。
-
GaussDB是华为自主创新研发的分布式关系型数据库。具备企业级复杂事务混合负载能力,同时支持分布式事务,同城跨AZ部署,数据0丢失,支持1000+节点的扩展能力,PB级海量存储。
-
逻辑模型和物理模型的对比介绍。
-
SFS的常见问题解答。
-
包年包月镜像是基于按需镜像包装出的预付费套餐,一个包年包月镜像同一时间只能用于一台云服务器。包年包月镜像支持续费,在到期前用户可以选择续费继续使用。如果到期不对镜像续费,而云服务器继续使用,请在到期前及时更换系统,否则镜像将以按需的方式开始计费。
手机模型矢量图教程视频
最佳实践视频帮助您快速了解搭建流程 了解更多
更多相关专题
增值电信业务经营许可证:B1.B2-20200593 | 域名注册服务机构许可:黔D3-20230001 | 代理域名注册服务机构:新网、西数