--- title: Mmseg_swin-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: Mmseg,PyTorch,模型库,ModelZoo,昇腾社区,概述,准备训练环境,准备环境 url: https://www.hiascend.com/software/modelzoo/models/detail/b44b52253e9f4fcdb857c3b24402242b section: (其他) --- # Mmseg_swin-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/b44b52253e9f4fcdb857c3b24402242b 描述: 生态贡献模型 关键词: Mmseg,PyTorch,模型库,ModelZoo,昇腾社区,概述,准备训练环境,准备环境 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) Mmseg_swin-PyTorch ## Mmseg_swin-PyTorch 视觉分割PyTorch训练2026/01/19更新 Mmseg_swin-PyTorch # 概述 MMsegmentation仓，使用swin-transfermer作为backbone做分割任务。 - 参考实现： ``` url=https://github.com/open-mmlab/mmsegmentation.git tags=v0.26.0 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/semantic_segmentation ``` - 通过Git获取代码方法如下： ``` git clone {url} # 克隆仓库的代码 cd {code_path} # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换 ``` - 通过单击“立即下载”，下载源码包。 # 准备训练环境 ## 准备环境 - 当前模型支持的固件与驱动、 CANN 以及 PyTorch 如下表所示。 表 1版本配套表 | 配套 | 版本 | | --- | ---| | 硬件 | 1.0.16 | | NPU固件与驱动 | 1.0.16 | | CANN | 5.1.RC2 | | PyTorch | 1.5.0 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。 - 请先安装好昇腾Pytorch与Apex后再进行依赖的安装。 - 安装依赖。 ``` pip3 install -r requirements.txt pip3 install -e . ``` - Build MMCV。 ``` export MMCV_WITH_OPS=1 export MAX_JOBS=8 cd mmcv python3 setup.py build_ext python3 setup.py develop pip3 list | grep mmcv # 安装opencv-python-headless, 规避cv2引入错误 pip3 uninstall opencv-python pip3 install opencv-python-headless ``` ## 准备数据集 1. 获取数据集。 ADE20K数据集是2016年MIT开放的场景理解的数据集，可用于实例分割，语义分割和零部件分割。利用图像信息进行场景理解 scene understanding和 scene parsing。数据集目录结构参考如下所示。 ``` ADEChallengeData2016 ├── annotations │   ├── training │   │   ├── ADE_train_00000001.png │   │   ├── ADE_train_00000002.png │   │   ├── ADE_train_00000003.png │   │   ├── ADE_train_00000004.png │   │   ├── ADE_train_00000005.png └── validation │   ├── ADE_val_00000001.png │   ├── ADE_val_00000002.png │   ├── ADE_val_00000003.png │   ├── ADE_val_00000004.png │   ├── ADE_val_00000005.png ├── images │   ├── training │   │   ├── ADE_train_00000001.jpg │   │   ├── ADE_train_00000002.jpg │   │   ├── ADE_train_00000003.jpg │   │   ├── ADE_train_00000004.jpg │   │   ├── ADE_train_00000005.jpg │   └── validation │   ├── ADE_val_00000001.jpg │   ├── ADE_val_00000002.jpg │   ├── ADE_val_00000003.jpg │   ├── ADE_val_00000004.jpg │   ├── ADE_val_00000005.jpg ├── objectInfo150.txt └── sceneCategories.txt ``` 在源码包根目录下构建数据集软链接： ``` mkdir data cd data mkdir ade cd ade ln -s train_path/ADEChallengeData2016 ``` 说明：数据集路径'train_path'以用户自行定义的路径为准。 ## 获取预训练模型 1. 模型训练启动后，预训练模型会自动下载。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 ``` # training accuracy bash ./test/train_full.sh ${CONFIG_FILE} ${NPU_NUM} # training performance bash ./test/train_performance.sh ${CONFIG_FILE} ${NPU_NUM} ``` 3. 示例：使用8卡训练"upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K"配置，得到精度和性能数据。 ``` # training accuracy bash ./test/train_full.sh configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py 8 # training performance bash ./test/train_performance.sh configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py 8 ``` 4. 目前已支持的配置： ``` configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py configs/swin/upernet_swin_small_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py configs/swin/upernet_swin_base_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py configs/swin/upernet_swin_base_patch4_window12_512x512_160k_ade20k_pretrain_384x384_1K.py ``` 日志路径: ``` test/output/devie_id/train_${device_id}.log # training detail log test/output/devie_id/MMseg_bs2_p_acc # training performance result log test/output/devie_id/train_MMseg_bs2_p_acc_loss # training accuracy result log ``` 模型训练脚本参数说明如下，以train_performance.sh为例： ``` ################基础配置参数，需要模型审视修改################## # 必选字段(必须在此处定义的参数): Network batch_size RANK_SIZE # 网络名称，同目录名称 Network="MMseg" # 训练batch_size batch_size=2 # 训练使用的npu卡数 GPUS=$2 # 数据集路径,保持为空,不需要修改（设置软链接后，可不输入train_path=""） train_path="" 公共参数： --nnodes=$NNODES \ //多级多卡训练指定机器数 --node_rank=$NODE_RANK \ //使用卡号 --master_addr=$MASTER_ADDR \ //DDP主机地址 --nproc_per_node=$GPUS \ //训练使用的npu卡数 --master_port=$PORT \ //DDP主端口 ./tools/train.py \ $CONFIG \ //模型配置 --launcher pytorch ${@:3} ``` # 训练结果展示 精度指标为mIoU 表 2MMseg-Swin-Tiny训练结果展示表 | NAME | PT版本 | 精度 | FPS | Iters | AMP_Type | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | 1.5 | - | 6.12 | 1000 | - | | 1p-NPU | 1.5 | - | 6.47 | 1000 | O1 | | 8p-竞品V | 1.5 | 44.41 | 45.72 | 160000 | - | | 8p-NPU | 1.5 | 44.07 | 35.40 | 160000 | O1 | 表 3MMseg-Swin-Small训练结果展示表 | NAME | PT版本 | 精度 | FPS | Iters | AMP_Type | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | 1.5 | - | 4.55 | 1000 | - | | 1p-NPU | 1.5 | - | 4.47 | 1000 | O1 | | 8p-竞品V | 1.5 | 44.92 | 29.1 | 48000 | - | | 8p-NPU | 1.5 | 44.19 | 26.45 | 48000 | O1 | 表 4MMseg-Swin-Base224训练结果展示表 | NAME | PT版本 | 精度 | FPS | Iters | AMP_Type | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | 1.5 | - | 4.87 | 1000 | - | | 1p-NPU | 1.5 | - | 3.78 | 1000 | O1 | | 8p-竞品V | 1.5 | 47.97 | 28.57 | 160000 | - | | 8p-NPU | 1.5 | 47.04 | 22.91 | 160000 | O1 | 表 5MMseg-Swin-Base384训练结果展示表 | NAME | PT版本 | 精度 | FPS | Iters | AMP_Type | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | 1.5 | - | 4.79 | 1000 | - | | 1p-NPU | 1.5 | - | 3.48 | 1000 | O1 | | 8p-竞品V | 1.5 | 48.35 | 27.59 | 160000 | - | | 8p-NPU | 1.5 | 47.52 | 22.36 | 160000 | O1 | # 公网地址说明 代码涉及公网地址参考 public_address_statement.md # 版本说明 ## 变更 2022.11.14：首次发布。 ## 已知问题 无。 | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)