--- title: MobileNetV2-PyTorch-模型库-ModelZoo-昇腾社区 description: MobileNetV2在MobileNetV1的基础上新提出了Linear Bottleneck 和 Inverted Residuals两种方法，使能在保持类似精度的条件下显著的减少模型参数和计算量。 keywords: MobileNetV,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/4927bc8a6a5f4ce5a4f3a1abd9f89f0a section: (其他) --- # MobileNetV2-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/4927bc8a6a5f4ce5a4f3a1abd9f89f0a 描述: MobileNetV2在MobileNetV1的基础上新提出了Linear Bottleneck 和 Inverted Residuals两种方法，使能在保持类似精度的条件下显著的减少模型参数和计算量。 关键词: MobileNetV,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) MobileNetV2-PyTorch ## MobileNetV2-PyTorch 视觉分类PyTorch训练350次浏览2025/12/29更新 5.0 获取源码 MobileNetV2-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 MobileNetv2在MobileNetv1的基础上新提出了Linear Bottleneck 和 Inverted Residuals两种方法，使能在保持类似精度的条件下显著的减少模型参数和计算量。 - 参考实现： ``` url=https://github.com/pytorch/examples/tree/main/imagenet commit_id=f5bb60f8e6b2881be3a2ea8c9a3d43e676aa2340 ``` - 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/classification ``` # 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。 用户自行下载`ImageNet`数据集，将数据集上传到服务器任意路径下并解压。 数据集目录结构参考如下所示。 ``` ├── ImageNet ├──train ├──类别1 │──图片1 │──图片2 │ ... ├──类别2 │──图片1 │──图片2 │ ... ├──... ├──val ├──类别1 │──图片1 │──图片2 │ ... ├──类别2 │──图片1 │──图片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 ``` - 多机多卡性能数据获取流程 ``` 1. 准备多机环境 2. 开始训练，每个机器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*单机卡数 --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，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 // 节点ip --seed // 随机数种子 --workers // 工作线程数 --lr // 学习率 --print-freq // 多久一次打印 --eval-freq 1 // 多久一次验证 --dist-url // 分布式节点url --dist-backend // 分布式所用后台 --multiprocessing-distributed // 是否使用分布式 --world-size // 总共进程数 --class-nums // 类别数量 --batch-size // 一次训练多少图片 --epochs // 训练多少轮 --rank // 当前进程排名 --device-list // 使用哪些卡 --amp // 混合精度 --benchmark 0 // 是否启用benchmark --data // 数据路径 ``` 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(ARM) | - | 2789.13 | 1 | O2 | 1.8 | | 8p-NPU(ARM) | 71.3 | 13477.3 | 600 | O2 | 1.8 | | 1p-NPU(非ARM) | - | 2807.02 | 1 | O2 | 1.8 | | 8p-NPU(非ARM) | - | 9190.41 | 600 | O2 | 1.8 | ## 版本说明 ## 变更 2023.04.24：更新torch1.8版本，重新发布。 2020.12.19：首次发布。 ## FAQ 1. 在ARM平台上，安装0.6.0版本的torchvision，需进行源码编译安装，可以参考源码readme进行安装。 ``` https://github.com/pytorch/vision ``` # 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.RC3 | 2023/11/02 | Mixed | Ascend 910 | 7.0.RC1 | modelzoo | 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)