NVIDIA Jetson Nano 2GB：视觉类脚本的环境配置与映射

在 TAO 提供的数据类范例中，每个脚本的第一个步骤都是环境配置（0. Set up env variables and map drives），包括要求用户提供在 NGC 所生成的密钥，对后面训练的模型进行保护，以及指定要使用的 GPU 数量等等，这几个设定都很直观容易处理，但接下去的环境变量配置部分，就让大部分初学者停滞不前，因为任何一项路径配置错误，都会影响后面工作的正常进行，而每个实验脚本所提供的说明，对初学者来的帮助并不大，很多新手按照其字面解释去进行设定，但总是没法调整到完全正确。

因此我们必须在大家执行实验之前，先以专文将这部分的配置说明清楚，然后提供一个最简单的步骤，让大家用最轻松的方法来进行配置。

本文使用范例的 detectnet_v2.ipynb 做示范，首先看一下第一指令块中的设定内容：

[  ]  import os
%env KEY=tlt_encode%env NUM_GPUS=1%env USER_EXPERIMENT_DIR=/workspace/tao-experiments/detectnet_v2%env DATA_DOWNLOAD_DIR=/workspace/tao-experiments/data
# %env NOTEBOOK_ROOT=~/tao-samples/detectnet_v2os.environ["LOCAL_PROJECT_DIR"] = FIXMEos.environ["LOCAL_DATA_DIR"] = os.path.join(    os.getenv("LOCAL_PROJECT_DIR", os.getcwd()),    "data")os.environ["LOCAL_EXPERIMENT_DIR"] = os.path.join(    os.getenv("LOCAL_PROJECT_DIR", os.getcwd()),    "detectnet_v2")
# The sample spec files are present in the same path as the downloaded samples.os.environ["LOCAL_SPECS_DIR"] = os.path.join(    os.getenv("NOTEBOOK_ROOT", os.getcwd()),    "specs")%env SPECS_DIR=/workspace/tao-experiments/detectnet_v2/specs

稍微整理一下，除了KEY与 NUM_GPUS 两个变量之外，共有7个与路径有关的变量：

• USER_EXPERIMENT_DIR

• DATA_DOWNLOAD_DIR

• LOCAL_PROJECT_DIR

• LOCAL_DATA_DIR

• LOCAL_EXPERIMENT_DIR

• LOCAL_SPECS_DIR

• SPECS_DIR

其实稍微整理一下就更容易理解，下表就是将这7个变量分为两组，以 “LOCAL_” 开头的属于 “容器外” 用途，另外 3 个属于容器内用途。

用途	容器外（主机上）	容器内（沿用TLT的习惯）
项目工作位置	LOCAL_PROJECT_DIR
存放模型训练输出结果	LOCAL_EXPERIMENT_DIR	USER_EXPERIMENT_DIR
存放数据集的路径	LOCAL_DATA_DIR	DATA_DOWNLOAD_DIR
配置文件存放路径	LOCAL_SPECS_DIR	SPECS_DIR

什么是容器内与容器外？前面提过 TAO 用两套独立的 Docker 容器，分别为视觉类与对话类提供模型训练功能，并透过 TAO 启动器的 CLI 指令执行各项任务。

虽然我们所有操作都在容器外的宿主机上，例如在指令终端下达 “tao detectnet_v2 train ...”，或者在 Jupyter 交互环境里执行 “!taodetectnet_v2 train ...” 指令，但是 TAO 启动器会将这些指令传递到容器，在后台为我们执行对应的任务。

这种处理方式的最大好处是，让不懂 Docker 的初学者完全无需理会容器技术，只要专注于 “模型训练” 的重点工作就行，如此就能让 TAO 的普及程度更快与更广，这也是 TAO 工具的一项非常重要意义。

但为何需要使用两套路径来处理呢？全部都在容器内执行不是更加简单？这里有个最严肃的问题是 “容器的生命周期” ，如果将数据保留在容器内处理的话，一旦容器关闭或销毁时，我们所有实验数据都将付之一炬，这是一项大家都承担不起的风险，因此我们必须将所有的数据存放在容器外面，然后透过路径映射 (mapping) 的方式来处理。

其次就是对于数据整理与文件修改的能力，在容器内操作是相对不方便的。要知道在执行模型训练之前，通常得先下载数据集的压缩文件、移动文件、进行解压缩、修改配置文件等等，这些任务在宿主机上操作是相对轻松的。

好了，当我们清楚 TAO 的视觉类模型训练脚本中，存在容器内与容器外两组环境路径的原因之后，接着就来看该如何设置与映射。

我们将前面的列表进行展开，前面 4 个是容器外的变量、后面 3 个是容器内变量：

环境变量	设定值
LOCAL_PROJECT_DIR	需要设置
LOCAL_EXPERIMENT_DIR	$LOCAL_PROJECT_DIR/<项目名>
LOCAL_DATA_DIR	$LOCAL_PROJECT_DIR/data
LOCAL_SPECS_DIR	<执行脚本所在目录>/specs
USER_EXPERIMENT_DIR	/workspace/tao-experiments/<项目名>
DATA_DOWNLOAD_DIR	/workspace/tao-experiments/data
SPECS_DIR	/workspace/tao-experiments/<项目名>/specs

假如在执行格内的变量按照上表的顺序去排列，事情就会变得非常单纯。

事实上，从头到尾我们只要将 “LOCAL_PROJECT_DIR” 设置为”执行脚本所在目录”，那么后面三个容器外变量就立即建立好对应关系，我们完全不需要做任何处理理会。至于容器内的三个变量，每个脚本的配置规则都是一样，也就是不需要去改变。

把上面的对应关系了解清楚之后，整个状况就变得非常简单，现在回头看看第一个指令块，里面需要输入的变量其实只有以下三个：

• %env KEY= <自己在NGC上申请的秘钥>

• %env NUM_GPUS= <根据设备配置，给定调用的GPU数量>

• os.environ["LOCAL_PROJECT_DIR"] = os.getcwd()

其他 6 个变量完全不做任何修改，这样就能够顺畅地跑动后面的指令块。

接下去的工作就是执行 “路径映射” 任务，为容器内外的路径建立对应的关系。几乎所有训练脚本都采用下面的映射方式：

[  ]  # Define the dictionary with the mapped drivesdrive_map = {    "Mounts": [        # Mapping the data directory        {            "source": os.environ["LOCAL_PROJECT_DIR"],            "destination": "/workspace/tao-experiments"        },        # Mapping the specs directory.        {            "source": os.environ["LOCAL_SPECS_DIR"],            "destination": os.environ["SPECS_DIR"]        },    ]}

执行这个路径映射的指令块之后，会将这些值写入 “~/.tao_mounts.json” 文件里面，这是 TAO 启动器每次调用容器时都需要参考的配置文件，但是这个文件是 “唯一” 的，也就是同一时间只会存在一组容器内外的路径映射关系，这表示系统不能同时执行两个以上的模型训练脚本，这点也请务必牢记。

紧跟着的 “1.Install the TAO launcher” 步骤可以直接跳过，因为我们在前面已经带着大家安装好 TAO 启动器，这里顶多执行 “!taoinfo” 指令，确认一下是否回应正确讯息。

现在就可以开始进行 TAO 所提供的各种神经网络的模型训练脚本。

审核编辑 ：李倩