---
title: PSPNet-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: PSPNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境
url: https://www.hiascend.com/software/modelzoo/models/detail/176f7bf79a2e4dbea01d833b2543179f
section: (其他)
---

# PSPNet-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/176f7bf79a2e4dbea01d833b2543179f
描述: 生态贡献模型
关键词: PSPNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境

ModelZoo主页

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流

模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

PSPNet-PyTorch

## PSPNet-PyTorch

视觉分割PyTorch训练177次浏览2023/08/20更新

查看模型源码

PSPNet-PyTorch

查看模型源码

...

# 概述

## 简述

PSPNet，利用FCN中嵌入了不同场景的上下文特征。相比于FCN，语义分割性能由显著的提升。本文档描述的是PSPNet在Pytorch框架下实现的版本。

- 参考实现：

```
url=https://github.com/open-mmlab/mmsegmentation.git
commit_id=9f071cade8cdc59c13b416c7c9843005410c055c
```
- 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 |
| --- | ---|
| 固件与驱动 | 5.1.RC2 |
| CANN | 5.1.RC2 |
| PyTorch | 1.8.1 |
- 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)》。
- 安装依赖。

```
pip install -r requirements.txt
```
- 构建mmcv  。

下载mmcv=1.2.7到`$YOURMODELZOO`(用户自定义目录) ，进入到源码包
  根目录下，将`mmcv_replace/`目录下的文件替换到`$YOURMMVCPATH/mmcv`安装目录下。

```
cd /${模型文件夹名称}

# configure
source env_npu.sh

# copy
rm -rf $YOURMMVCPATH/mmcv
mkdir $YOURMMVCPATH/mmcv
cp -r $PSPNET/mmcv_replace/* $YOURMMVCPATH/mmcv/

# compile
cd $YOURMMVCPATH
export MMCV_WITH_OPS=1
export MAX_JOBS=8
python3 setup.py build_ext
python3 setup.py develop
pip3.7.5 list | grep mmcv

cd /${模型文件夹名称}
```
- 权限配置。

```
chmod -R 777 ./
```
- 删除`mmcv_replace`文件夹。

```
rm -rf mmcv_replace
```

## 准备数据集

1. 获取数据集。

- 下载PASCAL VOC 2012 数据集和PASCAL VOC2010 数据集的训练和验证集。

解压后的数据集结构为：

```
├── VOCdevkit
│   │   ├── VOC2012
│   │   ├── VOC2010
```
- 在数据集目录下新建`VOCaug/`目录，下载PASCALAug 数据集。解压后，复制`benchmark_REALSE/dataset`到文件夹`VOCaug`中。

```
├── VOCdevkit
│   │   ├── VOC2012
│   │   ├── VOC2010
│   │   ├── VOCaug
```

1. 数据预处理。

- 使用以下命令转换 VOCAug 数据集。

```
cd /${模型文件夹名称}
python tools/convert_datasets/voc_aug.py data/VOCdevkit data/VOCdevkit/VOCaug --nproc 8
```
- [可选] 将数据集软链接到 mmseg100 的文件夹。

```
cd /${模型文件夹名称}
mkdir data
ln -s VOCdevkit data # data_path=./data/VOCdevkit/VOC2012
```

# 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。

该模型支持单机单卡训练和单机8卡训练。

- 单机单卡训练

启动单卡训练。

```
```
# training 1p accuracy
bash ./test/train_full_1p.sh --data_path=xxx
# --data_path=data/VOCdevkit/VOC2012 
```
```
- 单机8卡训练

启动8卡训练。

```
```
# training 8p accuracy
bash ./test/train_full_8p.sh --data_path=xxx
# --data_path=data/VOCdevkit/VOC2012 
```
```
- 多机多卡性能数据获取流程

```
    1. 安装环境
    2. 开始训练，每个机器所请按下面提示进行配置
        bash ./test/train_performance_multinodes.sh  --data_path=数据集路径 --batch_size=单卡batch_size --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP
```

--data_path参数填写数据集路径。

模型训练脚本参数说明如下。

```
公共参数：
--device                            //指定gpu或npu
--data_path                         //数据集路径
--addr                              //主机地址     
--amp                               //是否使用混合精度
--loss-scale                        //混合精度lossscale大小
--opt-level                         //混合精度类型
多卡训练参数：
--device-list '0,1,2,3,4,5,6,7'     //多卡训练指定训练用卡
```

日志和检查点路径：

```
./output/devie_id/PSPNet/train_${device_id}.log             # training detail log
./output/devie_id/PSPNet/PSPNet_bs16_8p_acc.log             # 8p training performance result log
./output/devie_id/PSPNet/ckpt                               # checkpoits
./output/devie_id/PSPNet_prof/PSPNet_bs16_8p_acc.log        # 8p training accuracy result log
```

# 训练结果展示

表 2训练结果展示表

| device | fps | aAcc | mIoU | mAcc |
| --- | --- | --- | --- | ---|
| 8p-竞品 | 82.296 | 94.92 | 77.13 | 85.7 |
| 8p-1.5 | 117.808 | 94.71 | 77.04 | 86.52 |
| 8p-1.8 | 119.84 | 94.23 | 75.22 | 85.07 |

# 版本说明

## 变更

2020.10.14：更新内容，重新发布。

2020.07.08：首次发布。

## 已知问题

无。

# 公网地址说明

代码涉及公网地址参考 public_address_statement.md

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|

暂无数据

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)