---
title: PSENet-PyTorch-模型库-ModelZoo-昇腾社区
description: PSENet是一个用于自然文本检测的网络模型，可对任意形状的文本进行有效检测。
keywords: PSENet,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/25fdeafd5b9c492497b866bd21fcef74
section: (其他)
---

# PSENet-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/25fdeafd5b9c492497b866bd21fcef74
描述: PSENet是一个用于自然文本检测的网络模型，可对任意形状的文本进行有效检测。
关键词: PSENet,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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

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

PSENet-PyTorch

## PSENet-PyTorch

OCRPyTorch训练446次浏览2026/02/02更新

5.0

查看模型源码

PSENet-PyTorch

查看模型源码

模型使用

版本信息

模型使用

版本信息

...

# 概述

## 简述

PSENet是一个用于自然文本检测的网络模型，可对任意形状的文本进行有效检测。该网络预测每个文本行的不同尺度的kernels，并对这些kernels采用基于BFS的渐进式尺度扩张算法，可有效解决任意形状文本检测问题和相邻文本混淆问题。

- 参考实现：

```
url=https://github.com/whai362/psenet.git
commit_id=e6686b143a8c0520971b4ef8587250c72e2f05f4
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/built-in/cv/detection
```

# 准备训练环境

## 准备环境

- 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

表 1版本支持表

| Torch_Version | 三方库依赖版本 |
| --- | ---|
| PyTorch 1.5 | pillow==8.4.0 |
| PyTorch 1.8 | pillow==9.1.0 |
- 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)》。
- 安装依赖。

在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

```
pip install -r 1.5_requirements.txt  # PyTorch1.5版本

pip install -r 1.8_requirements.txt  # PyTorch1.8版本
```

说明：只需执行一条对应的PyTorch版本依赖安装命令。

## 准备数据集

1. 获取数据集。

用户自行获取原始数据集，可选用的开源数据集包括ICDAR2015、ICDAR2017等，将数据集上传到服务器任意路径下并解压。

以ICDAR2015数据集为例，数据集目录结构参考如下所示。

```
├── ICDAR2015
      ├──train
           ├──图片
                 │──图片1
                 │──图片2
                 │   ...       
           ├──标签
                 │──标签1
                 │──标签2
                 │   ...
           ├──...
      ├──val  
           ├──图片
                 │──图片1
                 │──图片2
                 │   ...
           ├──标签
                 │──标签1
                 │──标签2
                 │   ...
```

说明：该数据集的训练过程脚本只作为一种参考示例。

# 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。

```
bash ./test/train_full_1p.sh --data_path=/data/xxx/  # 单卡精度

bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能 
```
- 单机8卡训练

启动8卡训练。

```
 bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度

 bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能
```

--data_path参数填写数据集路径，需写到数据集的一级目录。

模型训练脚本参数说明如下。

```
公共参数：
--addr                              //主机地址
--arch                              //使用模型，默认：PSENet
--workers                           //加载数据进程数
--n_epoch                           //重复训练次数
--batch_size                        //训练批次大小
--lr                                //初始学习率，默认：0.001
--loss-scale                        //混合精度loss scale大小
--opt-level                         //混合精度类型
多卡训练参数：
--multiprocessing-distributed       //是否使用多卡训练
--device-list                       //多卡训练指定训练用卡
```

训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

# 训练结果展示

表 2训练结果展示表

| NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version |
| --- | --- | --- | --- | --- | ---|
| 1p-NPU | - | 10.911 | 1 | O2 | 1.8 |
| 8p-NPU | 94.040 | 47.8687 | 600 | O2 | 1.8 |

# 版本说明

## 变更

2023.02.22：更新readme，重新发布。

2022.06.08：首次发布。

## FAQ

无。

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|
| 5.0.RC1 | 2023/05/19 | Mixed | Ascend 910 | 6.0.1 | modelzoomodelzoo |

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)