---
title: DynamicUnet-PyTorch-模型库-ModelZoo-昇腾社区
description: DynamicUNet是图像分割模型，能够在像素级别精确地对图像的每个部分进行分类。
keywords: DynamicUnet,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/3cab5713a0ca48438d8154ef5266c02b
section: (其他)
---

# DynamicUnet-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/3cab5713a0ca48438d8154ef5266c02b
描述: DynamicUNet是图像分割模型，能够在像素级别精确地对图像的每个部分进行分类。
关键词: DynamicUnet,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)

DynamicUnet-PyTorch

## DynamicUnet-PyTorch

视觉分割PyTorch训练288次浏览2025/12/29更新

获取源码

DynamicUnet-PyTorch

查看模型源码

...

# 概述

## 简述

DynamicUNet 模型是一个图像分割任务上的SOTA模型，它赢得了许多Kaggle比赛，
该模型在工业中取得了广泛应用，该模型使我们能够在像素级别精确地对图像的每个部分进行分类。

- 参考实现：

```
dynamic_unet:
 url=https://github.com/fastai/fastai/blob/master/fastai/vision/models/unet.py
 commit_id=7ec403cd41079bc81d80d48de67f7ab2b8141929
awesome-semantic-segmentation-pytorch:
 url=https://github.com/Tramac/awesome-semantic-segmentation-pytorch
 commit_id=9d9e25da10e2299cf0c84b6e0be1c49085565d22  
```
- 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/semantic_segmentation
```

# 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 | torchvision==0.6.0 |
| PyTorch 1.8 | torchvision==0.9.1 |
| PyTorch 1.11 | torchvision==0.12.0 |
| PyTorch 2.1 | torchvision==0.16.0 |
- 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

pip install -r 1.11_requirements.txt  # PyTorch1.11版本

pip install -r 2.1_requirements.txt  # PyTorch2.1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`VOC2012`，将下载好的VOCdevkit数据集解压放置在源码包根目录下或者软链到源码包根目录下。 
数据集目录结构参考如下所示。

```
 VOCdevkit
     └── VOC2012
         ├── Annotations
         ├── ImageSets
         │   └── Segmentation
         ├── JPEGImages
         ├── SegmentationObject
         └── SegmentationClass              
```

说明：该数据集的训练过程脚本只作为一种参考示例。

## 获取预训练模型

该模型的训练需要`resnet50-19c8e357.pth`预训练模型，在训练过程中其会自动下载，若存在网络等问题无法在训练时下载，请手动下载并放置于任意目录下，且在训练时需指定`--more_path1=path/to/resnet50`。预训练模型目录结构参考如下：

```
path/to/resnet50
         └── resnet50-19c8e357.pth
```

# 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_performance_1p.sh --more_path1=path/to/resnet50 # 单卡性能
```
- 单机8卡训练

启动8卡训练。

```
bash ./test/train_full_8p.sh --more_path1=path/to/resnet50 # 8卡精度
bash ./test/train_performance_8p.sh --more_path1=path/to/resnet50 # 8卡性能   
```

注：more_path1为可选参数，用于指定预训练模型位置。

模型训练脚本参数说明如下。

```
公共参数：
--dataset-path                      //数据集路径
--worker                            //加载数据进程数      
--epochs                            //重复训练次数
--batch-size                        //训练批次大小，默认：240
--lr                                //初始学习率，默认：1
--momentum                          //动量，默认：0.9
--weight_decay                      //权重衰减，默认：4e-5
--amp                               //是否使用混合精度
```

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 | Torch_Version |
| --- | --- | --- | --- | --- | ---|
| 1P-竞品V | - | - | - | O1 | 1.5 |
| 8P-竞品V | - | - | 50 | O1 | 1.5 |
| 1P-NPU | - | 7.29 | - | O1 | 1.8 |
| 8P-NPU | 0.521 | 52.76 | 50 | O1 | 1.8 |

# 版本说明

## 变更

2022.11.26：更新Readme。

## FAQ

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)