在自动驾驶方案实现的过程中，物体检测是其中一个重要的技术。本案例基于ModelArts AI Gallery中官方发布的物体检测算法FasterRCNN，训练一个人车检测模型，并部署成在线服务，生成一个人车检测AI应用。
ModelArts的AI Gallery有丰富的算法，使用这些算法，无需自己开发训练代码和推理代码，只要准备并标注好数据，就可以轻松快速训练并部署模型。
参考此文档，完成ModelArts准备工作,包括注册华为云账号、ModelArts全局配置和OBS相关操作。
本案例采用自动驾驶场景的数据集，数据集中有两种物体，人和车。
本案例的数据集已经发布在AI Gallery，我们从华为云AI Gallery订阅数据集至ModelArts，然后就可以在ModelArts中使用了。点击此链接进入下载详情页，下载详情页示例如下：
下载方式：选择ModelArts数据集
目标区域：华北-北京四
目标位置：选择一个OBS路径，作为数据集的存储位置。
名称：自定义。
填写好参数后，点击
按钮，然后点击
按钮。等待数据集状态变为推送成功，即可在ModelArts数据集列表中查看到下载的数据集。
点击进入ModelArts数据集列表，找到刚订阅的数据集，点击“发布”按钮，填写训练集比例为0.8，发布数据集。数据集发布之后，才可在训练中使用。
等待数据集发布成功。
本实验中，我们从AI Gallery订阅ModelArts官方发布的物体检测算法FasterRCNN来训练模型。
点击进入AI GalleryFasterRCNN算法主页，点击页面右上方的
按钮。然后点击页面下方的
按钮，再点击
按钮，选择华北-北京四区域，最后点击按钮进入算法管理页面，可以看到刚刚订阅的算法。
点击“同步”按钮，同步算法，可以点击
按钮，刷新状态。当状态变成就绪时，表示同步成功。
我们使用创建的人车检测数据集，提交一个人车检测训练作业，训练会生成一个人车检测模型。
回到ModelArts训练管理页面，在【训练管理】选择训练作业，点击【创建】，如下图所示：
在创建训练作业页面中选择算法：
选择算法，(算法列表是按订阅时间显示的,找到名称为物体检测-FasterRCNN_ResNet50的算法,选中它)
按照如下提示，填写创建训练作业的参数。
计费模式：按需计费
名称：自定义
算法来源：算法管理
算法名称：物体检测-FasterRCNN_ResNet50
数据来源：数据集
选择数据集和版本：选择刚刚发布的人车数据集及其版本
训练输出：选择OBS路径/lftiny/car_and_person_detection/output/（此OBS路径如果不存在，可以使用OBS客户端创建）。训练输出位置用来保存训练生成的模型。
调优参数：用于设置算法中的超参。算法会加载默认参数，但是可以更改和添加参数。设置learning_rate_strategy=20:0.001，表示训练20轮，学习率固定为0.001。其他调优参数保持默认。
作业日志路径：选择OBS路径/lftiny/car_and_person_detection/log/（此OBS路径如果不存在，可以使用OBS客户端创建）。
资源池：公共资源池。
规格： [限时免费]GPU: 1*NVIDIA-V100-pcie-32gb(32GB) | CPU: 8 核 64GB，如图所示。
计算节点个数：选择1，表示我们运行一个单机训练任务。
所有字段填写好之后，确认参数无误，点击“下一步”按钮，然后点击“提交”按钮，开始训练。
使用V100 GPU资源，训练时长预计30分钟左右。
训练作业完成后，可以查看训练作业的运行结果。
在训练作业页面，点击作业名称，进入配置信息页面。可以查看到训练作业的详情。
切换到“日志”页签，查看训练作业的训练日志，还可以下载日志到本地查看。
训练日志中会打印一些训练的精度和训练速度等信息。
训练生成的模型会放到训练输出位置OBS路径下，可以直接下载到本地使用。
点击“创建模型”按钮，创建模型。
按照如下提示，填写导入模型的字段。
名称：自定义
版本：0.0.1
元模型来源：从训练中选择
选择训练作业及版本：刚刚的训练作业及版本，会自动加载
部署类型：默认
推理代码：自动加载
其他保持默认。
点击“立即创建”按钮，开始导入模型，等待模型导入成功。
等待模型状态为正常，然后点击部署下拉框中的“在线服务”，如下图所示：
按照如下指导填写参数：
计费模式：按需计费
名称：自定义
是否自动停止：开启，一小时后。会在1小时后自动停止该在线服务。
资源池：公共资源池。如果您购买了专属资源池，也可以选择专属资源池部署。
模型来源：我的模型
模型：选择刚刚导入美食人车检测的模型和版本，会自动加载。
计算节点规格：选择[限时免费]CPU：1 核 4 GiB。
计算节点个数：1。如果想要更高的并发数，可以增加计算节点个数，会以多实例的方式部署。
填写好所有参数，点击“下一步”按钮，然后点击“提交”按钮，最后点击查看服务详情。状态栏会显示部署进度，大概3分钟左右会部署完成。
在线服务的本质是RESTful API，可以通过HTTP请求访问，在本案例中，我们直接在网页上访问在线服务。
等待在线服务的状态变成运行中。
先点此链接下载测试集，解压，再切换到预测标签，点击上传按钮，进行测试
预测结果会出现在右边的输出框：
预测结果中的detection_classes字段，表示识别的分类（人与车）
预测结果中的detection_boxes字段，表示识别框的四个角坐标
预测结果中的detection_scores字段，表示图片为每种类别的置信度
为了避免持续扣费，案例完成后，需要关闭在线服务，点击“停止”按钮即可：
当需要使用该在线服务的时候，可以重新启动该在线服务。
点击此链接，进入ModelArts总览页面，如果所有计费中的数字都是0，表示所有计费项都关闭了。
案例完成。