--- title: ICNet_ID1781-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: ICNet,ID,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 url: https://www.hiascend.com/software/modelzoo/models/detail/3aca3cc45e394409b96c9bc803e75e1e section: (其他) --- # ICNet_ID1781-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/3aca3cc45e394409b96c9bc803e75e1e 描述: 生态贡献模型 关键词: ICNet,ID,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 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) ICNet_ID1781-PyTorch ## ICNet_ID1781-PyTorch 视觉分割PyTorch训练110次浏览2023/08/20更新 5.0 查看模型源码 ICNet_ID1781-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 ICNet是一个基于PSPNet的实时语义分割网络，设计目的是减少PSPNet推断时期的耗时，在PSPNet的基础上引入级联特征融合模块，实现快速且高质量的分割模型。在Cityscapes数据集上进行了相关实验。 - 参考实现： ``` url=https://github.com/hszhao/ICNet.git commit_id=dd2bf78ff3f9ff05f6d35c40a3ee216158d9e892 ``` - 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 ``` ## 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Cityscapes等，将数据集上传到服务器任意路径下并解压。 以Cityscapes数据集为例，数据集目录结构参考如下所示。 ``` ├── cityscapes ├── gtFine ├── train ├── val └── test ├── leftImg8bit ├── train ├── val └── test ``` 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/ ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=/data/xxx/ ``` --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： --cityscapes_root //数据集路径 --name //使用模型，默认：icnet --backbone //使用模型主干，默认：resnet50 --base_size //图像数据处理最小边长，默认：1024 --crop_size //图像数据处理裁剪边长，默认：960 --epochs //重复训练次数，默认：200 --train_batch_size //训练批次大小，默认：16 --valid_batch_size //测试批次大小，默认：16 --init_lr //初始学习率，默认：0.01 --momentum //动量，默认：0.9 --weight_decay //权重衰减，默认：0.0001 多卡训练参数： --is_distributed //是否使用多卡训练 ``` 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 | mIoU | FPS | Epochs | AMP_Type | | --- | --- | --- | --- | ---| | 官方源码 | 68.4 | - | 200 | - | | 1p-竞品(GPU) | - | 9.3 | - | - | | 1p-NPU-ms1.5 | - | 6.0 | - | - | | 1p-NPU-ms1.8 | - | 10.1 | - | - | | 8p-竞品(GPU) | 68.3 | 83 | 200 | - | | 8p-NPU-ms1.5 | 68.1 | 81 | 200 | O1 | | 8p-NPU-ms1.8 | 68.9 | 147.2 | 200 | O1 | # 版本说明 ## 变更 2022.08.14：更新pytorch1.8版本，重新发布。 2020.03.08：首次发布。 ## 已知问题 一、精度无法达到官网指标 - 说明 - 官网中，模型指标标注的是mIoU 71%，但是实测结果只有68.4%，无法达到官网指标。 官网参考Base version of the model fromthe paper author's code on Github [了解详情](https://github.com/liminn/ICNet-pytorch). - GPU-8p精度对齐过程，通过调整超参，最终精度和最优精度分别如下： | batch_size | lr | loss_scale | opt_level | final mIoU | best mIoU | | --- | --- | --- | --- | --- | ---| | 16 | 0.06 | 128 | O1 | 68.1 | 68.7 | | 16 | 0.08 | 128 | O1 | 68.3 | 68.6 | | 16 | 0.1 | 128 | O1 | 67.7 | 68.6 | | 16 | 0.08 | 128 | O2 | 67.7 | 68.0 | - NPU-8p精度对齐过程，通过调整超参，最终精度和最优精度分别如下： | batch_size | lr | loss_scale | opt_level | final mIoU | best mIoU | | --- | --- | --- | --- | --- | ---| | 16 | 0.08 | 32 | O1 | 67.6 | 68.0 | | 16 | 0.1 | 32 | O1 | 68.1 | 68.3 | | 16 | 0.11 | 32 | O1 | 67.9 | 68.4 | | 16 | 0.12 | 32 | O1 | 67.0 | 67.5 | | 16 | 0.1 | 32 | O2 | 66.5 | 67.0 | | 16 | 0.1 | 128 | O1 | 67.0 | 67.4 | # 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 | | --- | --- | --- | --- | --- | ---| | 5.0.RC1 | 2023/08/20 | Mixed | Ascend 910 | 6.3.RC1 | 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)