对象存储 OSS：OSS Connector在AI/ML数据集处理中的性能表现

测试说明

测试场景：通过在使用OSS内网域名以及使用OSS加速器域名这两种场景下，针对以不同方式构建的数据集读取OSS数据的情况进行了性能以及性能上限测试。

测试数据：10,000,000张图片，平均每张100 KB，总量约1 TB。

测试环境：网络增强通用型实例规格族g7nex,128 VCPU，512G内存，160 Gbps内网带宽。

测试数据集构建方式：OssIterableDataset与OssMapDataset类型的数据集由OSS Connector for AI/ML构建；Ossfs with ImageFolder类型的数据集则使用ossfs挂载远程Bucket的方式构建。

性能测试

• 测试参数

  参数	值/操作	说明
  dataloader batch size	256	每次处理的数据批次大小为256个样本。
  dataloader workers	32	使用32个工作进程来并行加载数据。
  transform	trans = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) def transform(object): img = Image.open(io.BytesIO(object.read())).convert('RGB') val = trans(img) return val, object.label	对数据进行了预处理。

• 测试结果

  数据集构建方式	数据集类型	使用OSS内网域名	启用OSS加速器预载数据，并使用加速域名访问
  OSS Connector for AI/ML方式构建	OssIterableDataset	4582 img/s	4744 img/s
  	OssMapDataset	4010 img/s	4370 img/s
  ossfs挂载远程Bucket方式构建	Ossfs with ImageFolder	56 img/s	251 img/s

性能上限测试

• 测试参数

  参数	值/操作	说明
  dataloader batch size	256	每次处理的数据批次大小为256个样本。
  dataloader workers	32	使用32 个工作进程来并行加载数据。
  transform	def transform(object): data = object.read() return object.key, object.label	未对数据进行预处理。

• 测试结果

  数据集构建方式	数据集类型	使用OSS内网域名	启用OSS加速器预载数据，并使用加速域名访问
  OSS Connector for AI/ML方式构建	OssIterableDataset	99920 img/s	123043 img/s
  	OssMapDataset	56564 img/s	78264 img/s

数据分析

从性能测试结果数据能够看到，使用OSS Connector构建的IterableDataset和MapDataset这两种类型的数据集性能，大约是传统数据集Ossfs with ImageFolder的80倍。即便在都启用OSS加速器的情况下，也相差约18倍。通过这样的对比，可以明显看出，使用OSS Connector能够极大地提高数据处理速度，提升模型训练效率。

从性能上限测试结果数据来看，启用OSS加速器之后的性能，大约是不启用OSS加速器的1.6倍左右。OSS Connector在不使用OSS加速器的情况下，能够轻松应对各种高并发、高带宽访问。而配合使用OSS加速器后，其性能则更为强大。

测试总结

在 Python代码中设置OSS Connector for AI/ML，就能轻松实现对OSS对象的流式访问。通常情况下，使用OSS Connector可以极大地提升我们在大数据量训练场景中的数据访问效率。倘若对性能有更高的要求，则可以采用OSS加速器与OSS Connector for AI/ML相结合的方式来进行数据训练。