This commit is contained in:
@@ -70,7 +70,7 @@ uv run python train_extractor.py --config configs/mvp.yaml --backbone clip
|
||||
|
||||
Gitea 的 `Formal GPU training` workflow 会:
|
||||
|
||||
- 使用 AutoDL `network_turbo` 与 `hf-mirror.com` 下载模型;
|
||||
- 校验预先放在 `/root/autodl-tmp/ces-models/siglip2-giant` 的固定版本模型;
|
||||
- 在 `/root/autodl-tmp/ces-data/synthetic-v1` 复用完整数据集;
|
||||
- 每个 epoch 保存可恢复的 `last.pt`,并按验证集保存 `best.pt`;
|
||||
- 将运行配置、硬件、分项 loss、每轮耗时、所有验证指标和最终 benchmark 放在
|
||||
@@ -78,6 +78,33 @@ Gitea 的 `Formal GPU training` workflow 会:
|
||||
- 将结果持久化到 `/root/autodl-tmp/ces-artifacts/siglip2-giant`;
|
||||
- 最后用六项研究门槛决定 workflow 是否通过。
|
||||
|
||||
为避免付费 GPU 等待 7.53 GB 权重下载,先在网络更稳定的无 GPU 服务器上执行:
|
||||
|
||||
```bash
|
||||
python3 -m venv ces-model-download
|
||||
source ces-model-download/bin/activate
|
||||
python -m pip install -U "huggingface_hub[hf_xet]"
|
||||
HF_ENDPOINT=https://hf-mirror.com hf download \
|
||||
google/siglip2-giant-opt-patch16-384 \
|
||||
--revision a713301b217d38485fb2204c808367d10bc3cc40 \
|
||||
--local-dir /data/ces-models/siglip2-giant
|
||||
du -sh /data/ces-models/siglip2-giant
|
||||
```
|
||||
|
||||
然后从该服务器断点续传到 AutoDL(替换 SSH 主机和端口):
|
||||
|
||||
```bash
|
||||
ssh -p <AUTODL_SSH_PORT> root@<AUTODL_SSH_HOST> \
|
||||
'mkdir -p /root/autodl-tmp/ces-models/siglip2-giant'
|
||||
rsync -ahP --partial --append-verify \
|
||||
-e 'ssh -p <AUTODL_SSH_PORT>' \
|
||||
/data/ces-models/siglip2-giant/ \
|
||||
root@<AUTODL_SSH_HOST>:/root/autodl-tmp/ces-models/siglip2-giant/
|
||||
```
|
||||
|
||||
如果两台服务器不能直连,使用阿里云 OSS 作为中转;目标目录保持不变。workflow
|
||||
只做完整文件校验,不再从 Hugging Face 下载,因此模型传好后再手动触发正式训练。
|
||||
|
||||
手动等价命令为:
|
||||
|
||||
```bash
|
||||
|
||||
Reference in New Issue
Block a user