--- title: Efficient_3DCNNs_ID1230-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: Efficient,DCNNs,ID,PyTorch,模型库,ModelZoo,昇腾社区,使用说明 url: https://www.hiascend.com/software/modelzoo/models/detail/218fe8ef085d4e2cbbbb33d2db710f32?index_id=218fe8ef085d4e2cbbbb33d2db710f32 section: (其他) --- # Efficient_3DCNNs_ID1230-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/218fe8ef085d4e2cbbbb33d2db710f32?index_id=218fe8ef085d4e2cbbbb33d2db710f32 描述: 生态贡献模型 关键词: Efficient,DCNNs,ID,PyTorch,模型库,ModelZoo,昇腾社区,使用说明 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) Efficient_3DCNNs_ID1230-PyTorch ## Efficient_3DCNNs_ID1230-PyTorch 视觉分类PyTorch训练104次浏览2025/12/29更新 查看模型源码 Efficient_3DCNNs_ID1230-PyTorch 查看模型源码 ... # Efficient-3DCNNs 使用说明 ## 任务 - 开源链接：https://github.com/okankop/Efficient-3DCNNs [了解详情](https://github.com/okankop/Efficient-3DCNNs) - 交付内容：训练+推理 - 交付标准：精度+性能 - 目标配置：MobileNetV2-1.0x - 目标数据集：UCF101 - 参考精度：Accuracy 81% ## 数据集 please download from origin repo:https://github.com/okankop/Efficient-3DCNNs/tree/master/annotation_UCF10 [了解详情](https://github.com/okankop/Efficient-3DCNNs/tree/master/annotation_UCF10) ### 处理数据 参考：https://github.com/okankop/Efficient-3DCNNs [了解详情](https://github.com/okankop/Efficient-3DCNNs) - 步骤1：创建目录 ``` mkdir ./annotation_UCF101/UCF-101/ mkdir./annotation_UCF101/UCF-101-image/ ``` - 步骤2：下载视频和训练/测试分割here [了解详情](https://www.crcv.ucf.edu/data/UCF101.php)放置于annotation_UCF101目录下. - 步骤3：解压下载的UCF-101数据集(需安装解压rar的工具) ``` unrar x UCF-101.rar ``` - 步骤4：从avi转换为jpg文件 ``` python utils/video_jpg_ucf101_hmdb51.py ``` - 步骤5：生成n_frames文件 ``` python utils/n_frames_ucf101_hmdb51.py ``` - 步骤6：生成类似于ActivityNet的json格式的注释文件。（包括classInd.txt, trainlist0{1,2,3}.txt, testlist0{1,2,3}.txt） ``` python utils/ucf101_json.py ``` ## 预训练文件 参考：https://github.com/okankop/Efficient-3DCNNs [了解详情](https://github.com/okankop/Efficient-3DCNNs)下载预训练文件 kinetics_mobilenetv2_1.0x_RGB_16.pth 放置于pretrain目录 ## 目录检查 确认最终的目录结构是否是如下格式： ``` Efficient-3DCNNs_ID1230_for_PyTorch ├── annotation_UCF101 # 数据集 | |── UCF-101 （原始视频数据。提示：如果使用处理后的数据不需要此文件夹） | | |── ApplyEyeMakeup | | | |── v_ApplyEyeMakeup_g01_c01.avi | | | |── ... | |── UCF-101-image （预处理后的帧数据） | | |── ApplyEyeMakeup | | | |── v_ApplyEyeMakeup_g01_c01 | | | | |── image_00001.jpg | | | | |── image_00002.jpg | | | | |── ... | | | | |── n_frames | |── classInd.txt | |── testlist01.txt # 测试集1 | |── testlist02.txt | |── testlist03.txt | |── trainlist01.txt # 训练集1 | |── trainlist02.txt | |── trainlist03.txt | |── ucf101_01.json | |── ucf101_02.json | |── ucf101_03.json ├── datasets # 数据集加载 | |── ucf101.py ├── models # 模型定义 | |── mobilenetv2.py ├── pretrain # 预训练文件 | |── kinetics_mobilenetv2_1.0x_RGB_16_best.pth ├── results # 结果保存 ├── run # 运行依赖程序 | |── __init__.py | |── dataset.py | |── eval_ucf101.py | |── getmodel.py | |── hook.py | |── mean.py | |── opts.py | |── spatial_transforms.py | |── target_transforms.py | |── temporal_transforms.py | |── test.py | |── train.py | |── utils.py | |── validation.py | |── video_accuracy.py ├── test # 测试脚本 | |── env_npu.sh | |── gpu | | |── gpu_train_full_1p.sh # GPU 1P（包含了精度和性能） | | |── gpu_train_full_1p_withgroup.sh # GPU 1P（包含了精度和性能）注：这里使用了预训练文件 | | |── gpu_train_full_8p.sh # GPU 8P（包含了精度和性能） | | |── gpu_train_full_8p_withgroup.sh # GPU 8P（包含了精度和性能）注：这里使用了预训练文件 | |── env_npu.sh | |── train_full_1p.sh # NPU 1P完整训练（精度） | |── train_full_8p.sh # NPU 8P完整训练（精度） | |── train_performance_1p.sh # NPU 1P训练（性能） | |── train_performance_8p.sh # NPU 8P训练（性能） ├── utils # 视频数据转化代码 | |── __init__.py | |── n_frames_ucf101_hmdb51.py | |── ucf101_json.py | |── video_jpg.py | |── video_jpg_ucf101_hmdb51.py ├── main.py # 主函数入口 ├── README.md ├── requirements.txt ├── test_acc.py # 测试集评估（自动通过main.py调用） ``` ## 检查NPU环境 - CANN: 5.0.3 - torch：1.5.0+ascend.post3 - torchvison: 0.2.2.post3 - apex: 0.1+ascend.20210930 - topi: 0.4.0 - te: 0.4.0 注：pillow建议安装较新版本， 与之对应的torchvision版本如果无法直接安装，可使用源码安装对应的版本，源码参考链接：https://github.com/pytorch/vision [了解详情](https://github.com/pytorch/vision),建议Pillow版本是9.1.0 torchvision版本是0.6.0注：附录中列出了完整的执行环境详细版本。 ## 训练执行 说明：NPU现在不支持Conv3D算子中group大于1的场景，但GPU是支持的，原始模型也是使用了group参数！！ 因此要在GPU 1P/8P上测试带有group参数的模型，需要将'/models/mobilenetv2.py'文件中： ``` 第23行： nn.Conv3d(hidden_dim, hidden_dim, 3, stride, 1, bias=False), 修改为：nn.Conv3d(hidden_dim, hidden_dim, 3, stride, 1, groups=hidden_dim, bias=False), ``` ``` 第28行：nn.Conv3d(hidden_dim, hidden_dim, 3, stride, 1, bias=False), 修改为：nn.Conv3d(hidden_dim, hidden_dim, 3, stride, 1, groups=hidden_dim, bias=False), ``` ### GPU 1P带group参数训练 提示：确保'/models/mobilenetv2.py'中第23行和28代码按照上述方式进行了修改！ 执行命令： ``` cd test source set_npu_env.sh bash gpu/gpu_train_full_1p_withgroup.sh root_path ``` 执行日志保存在'results/gpu_train_full_1p_withgroup.log'中 ### GPU 8P带group参数训练 提示：确保'/models/mobilenetv2.py'中第23行和28代码按照上述方式进行了修改！ 执行命令： ``` cd test source set_npu_env.sh bash gpu/gpu_train_full_8p_withgroup.sh root_path ``` 执行日志保存在'results/gpu_train_full_8p_withgroup.log'中 ### GPU 1P不带group参数训练 执行命令： ``` cd test source set_npu_env.sh bash gpu/gpu_train_full_1p.sh root_path ``` 执行日志保存在'results/gpu_train_full_1p.log'中 ### GPU 8P不带group参数训练 执行命令： ``` cd test source set_npu_env.sh bash gpu/gpu_train_full_8p.sh root_path ``` 执行日志保存在'results/gpu_train_full_8p.log'中 ### NPU 1P精度 执行命令： ``` cd test source set_npu_env.sh bash train_full_1p.sh root_path ``` 执行日志保存在'results/npu_train_full_1p.log'中 ### NPU 1P性能 执行命令： ``` cd test source set_npu_env.sh bash train_performance_1p.sh root_path ``` 执行日志保存在'results/npu_train_performance_1p.log'中 ### NPU 8P精度 执行命令： ``` cd test source set_npu_env.sh bash train_full_8p.sh root_path ``` 执行日志保存在'results/npu_train_full_8p.log'中 ### NPU 8P性能 执行命令： ``` cd test source set_npu_env.sh bash train_performance_8p.sh root_path ``` 执行日志保存在'results/npu_train_performance_8p.log'中 ## 3D MobileNet-v2 训练结果 注：withgroup表示conv3d中使用group参数，withoutgroup表示conv3d没有使用group参数 | Type | Top1 Acc | FPS | NPUs/GPUs | BatchSize | Epochs | AMP_Type | AMP_LossScale | | --- | --- | --- | --- | --- | --- | --- | ---| | GPU-1P-withgroup | - | 46.80 | 1 | 80 | 2 | O2 | 128.0 | | GPU-8P-withgroup | 80.35% | 355.57 | 8 | 80 | 30 | O2 | 128.0 | | | | | | | | | | | GPU-1P-withoutgroup | - | 90.54 | 1 | 80 | 2 | O2 | 128.0 | | GPU-8P-withoutgroup | 24.02% | 356.05 | 8 | 80 | 30 | O2 | 128.0 | | | | | | | | | | | NPU-1P-withoutgroup | - | 111.87 | 1 | 80 | 2 | O2 | 128.0 | | NPU-8P-withoutgroup | 23.79% | 484.65 | 8 | 80 | 30 | O2 | 128.0 | 自测结果说明： - 项目交付精度要求：Top1 Acc达到 81% 。目前在GPU中Top1 Acc为 80.35% ，已达到目标精度的 99% 以上（即 81% * 99% = 80.19%）。 NPU由于不支持group参数，无法与目标精度对齐。故与GPU 8P不加group参数进行对齐。目前GPU 8P不加group参数精度为 24.02%， NPU 8P不加group参数精度为 23.79%。NPU精度以达到GPU精度 99% 以上（即 24.02% * 99% = 23.77%）。符合验收标准。 - 项目交付性能要求：NPU 8P性能达到GPU 8P性能 99% 以上。目前GPU 8P不加group参数 FPS=356.05 ， NPU 8P不加group参数 FPS=484.65 。NPU性能以达到GPU性能 99% 以上。符合验收标准。 ## 附录 ### 完整环境版本细节 - apex 0.1+ascend.20210930 - attrs 21.2.0 - certifi 2018.10.15 - cffi 1.15.0 - cycler 0.10.0 - Cython 0.29.24 - decorator 5.1.0 - ffmpeg 0.2.0 - ffprobe 0.1.3 - future 0.18.2 - joblib 1.1.0 - kiwisolver 1.3.2 - matplotlib 3.4.3 - mpmath 1.2.1 - numpy 1.21.2 - opencv-python 4.5.3.56 - pandas 1.3.4 - Pillow 8.3.1 - pip 21.2.4 - psutil 5.8.0 - pycocotools 2.0.2 - pycparser 2.20 - pyparsing 2.4.7 - python-dateutil 2.8.2 - pytz 2021.3 - scikit-learn 1.0 - scipy 1.7.1 - setuptools 40.4.3 - six 1.16.0 - sklearn 0.0 - SoundFile 0.10.3.post1 - sympy 1.8 - te 0.4.0 - threadpoolctl 3.0.0 - topi 0.4.0 - torch 1.5.0+ascend.post3 - torchvision 0.2.2.post3 - tqdm 4.62.3 - wheel 0.32.1 | 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)