本章是《联邦学习实战》的第十章，我们将介绍在联邦学习场景下，利用分散在各摄像头的数据，构建一个联邦视觉系统，如下图所示：
有关联邦视觉相关的一些文献，读者可以参考下面的链接：
目前联邦视觉系统已经有下面的两种实现方式：
- 采用flask_socketio来作为服务端和客户端的通信方式实现。
- 基于PaddleFL的实现，详细的实现过程，读者可以参考FedVision_PaddleFL。
本章我们我们flask_socketio来作为服务端和客户端的通信方式，服务端与客户端的通信过程如下所示：
-
使用外部的公开数据集直接使用外部常见的目标检测数据集，来自行运行代码（可能由于数据集的不同，需要自行修改深度学习模型）。常见的目标检测数据集包括：
获取数据集后，将其放在data目录下，读者可根据实际需要自行切分数据集。
要执行的本章的代码，首先需要读者准备好以下的环境：
- 安装带GPU版本的PyTorch，本章的代码只能在GPU环境下运行。
- 安装flask_socketio，本章我们使用flask_socketio来作为服务端和客户端之间进行通信的框架。
- 其他的安装环境，可以查看requirements.txt文件，并执行下面代码进行安装：
pip install -r requirements.txt
当下载了数据集和安装了必要的运行环境后，我们便可以按照下面的步骤来执行代码：
-
首先执行下面的命令来启动服务端：
sh ./run_server.sh dataset model port
这里包含三个输入参数：
-
dataset: 数据集名称，可选项包括“street_5“、”street_20”。
-
model：模型参数，可选项包括”faster“、”yolo“。
-
port：端口号，由用户自行设置。
-
-
然后执行下面命令来启动客户端：
sh ./run.sh dataset gpu_id model port
客户端的启动包含了四个输入参数：
-
dataset: 数据集名称，与服务端一样，可选项包括“street_5“、”street_20”。
-
gpu_id：如果是在本地环境中模拟多个客户端场景，由于每一个客户端进行本地训练都需要单独的GPU资源，因此，为了防止客户端都绑定在同一个GPU核中执行，导致显存不足程序中断。我们可以将每一个客户端指定到不同的GPU核中执行；如果是分布式环境下执行，即每一个客户端在单独的设备中运行，那么这个参数随意设置即可。
-
model：模型参数，与服务端一样，可选项包括”faster“、”yolo“。
-
port：端口号，由用户自行设置。
-
在运行过程中，如果要强行终止，我们也可以执行下面的命令来强制终止代码的运行：
bash sh ./stop.sh street_5 yolo
我们分别使用YOLOv3和Faster R-CNN两个模型，在联邦学习场景下，测试对街道数据集进行联合建模的结果比较。
我们分别测试了在不同数量的客户参与方（C），以及不同的本地训练迭代次数（E）配置下，其中mAP的结果如下图所示：
其损失值随迭代次数的变化的变化结果如下所示：
