--- title: PraNet-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: PraNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,准备训练环境,准备环境 url: https://www.hiascend.com/software/modelzoo/models/detail/4d50964a492a41539ee4e442de352e39?index_id=4d50964a492a41539ee4e442de352e39 section: (其他) --- # PraNet-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/4d50964a492a41539ee4e442de352e39?index_id=4d50964a492a41539ee4e442de352e39 描述: 生态贡献模型 关键词: PraNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,准备训练环境,准备环境 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) PraNet-PyTorch ## PraNet-PyTorch 视觉分割PyTorch训练131次浏览2023/08/20更新 查看模型源码 PraNet-PyTorch 查看模型源码 ... # 概述 PraNet是一个新的网络结构，用于从结肠镜图像中自动分割息肉。实验表明，在数据集中，PraNet模型始终比其它对比模型表现出更大的优势。PraNet具有较强的学习能力、泛化能力和实时分割效率。 - 参考实现： ``` url=https://github.com/DengPingFan/PraNet commit_id=59206b0591261bc7f6ef0e3c83efd5e30a357d7 ``` - 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 | 1.0.15 | | CANN | 5.1.RC1 | | 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（根据模型需求，按需添加所需依赖）。 ``` pip install -r requirements.txt ``` ## 准备数据集 1. 获取数据集。 Kvasir数据集包括开放访问的胃肠道息肉图像数据集和相应的分割掩码，由经验丰富的胃肠病学家手动注释和验证。以将数据集放置到/data目录下为例，训练集和验证集图片分别位于“./data/TrainDataset”和“/data/TestDataset/”文件夹路径下，由于验证集使用Kvasir数据集，因此验证集的路径为“./data/TestDataset/Kvasir”，数据集目录结构参考如下所示。 ``` data/ ├── TestDataset │ └── Kvasir │ ├── images │ └── masks └── TrainDataset ├── images └── masks ``` 构建软链接 ``` mkdir data cd data ln -s train_path/TestDataset ``` 说明：数据集路径'train_path'以用户自行定义的路径为准 2. 数据预处理（按需处理所需要的数据集）。 ## 获取预训练模型 1. 创建文件夹。 ``` snapshots/PraNet_Res2Net/ ``` 2. 下载预训练权重，将权重移动至创建好的路径下。 ``` snapshots/PraNet_Res2Net/PraNet-19.pth ``` PraNet-19.pth 下载地址为download link (Google Drive) [了解详情](https://drive.google.com/file/d/1pUE99SUQHTLxS9rabLGe_XTDwfS6wXEw/view?usp=sharing)。 Res2Net 权重 下载地址为download link (Google Drive) [了解详情](https://drive.google.com/file/d/1_1N-cx1UpRQo7Ybsjno1PAg4KE1T9e5J/view?usp=sharing)放置在模型根目录文件夹下。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 ``` # training 1p accuracy bash ./test/train_full_1p.sh --train_path=./data/TrainDataset # training 1p performance bash ./test/train_performance_1p.sh --train_path=./data/TrainDataset # training 8p accuracy bash ./test/train_full_8p.sh --train_path=./data/TrainDataset # training 8p performance bash ./test/train_performance_8p.sh --train_path=./data/TrainDataset # finetuning bash test/train_finetune_1p.sh --train_path=./data/TrainDataset # online inference demo python3 demo.py ``` --train_path以用户数据集实际存放路径为准。 日志路径: ``` test/output/devie_id/train_${device_id}.log # training detail log test/output/devie_id/PraNet_bs16_8p_acc # 8p training performance result log test/output/devie_id/train_PraNet_bs16_8p_acc_loss # 8p training accuracy result log ``` 模型训练脚本参数说明如下，以train_performance_1p.sh为例： ``` ################基础配置参数，需要模型审视修改################## # 必选字段(必须在此处定义的参数): Network batch_size RANK_SIZE # 网络名称，同目录名称 Network="PraNet" # 训练batch_size batch_size=16 # 训练使用的npu卡数 export RANK_SIZE=1 # 数据集路径,保持为空,不需要修改 train_path=./data/TrainDataset train_path="" # 训练epoch train_epochs=2 # 指定训练所使用的npu device卡id=0 多卡id=1(用于输出日志) device_id=0 # 加载数据进程数 workers=128 公共参数： --train_path=./data/TrainDataset //训练数据集路径 --addr=$(hostname -I |awk '{print $1}') //主机地址 --seed=49 //设置随机种子 --workers=${workers} //加载数据进程数 --lr=1e-4 //初始学习率 --world-size=1 //服务器台数 --decay_epoch=50 //学利率衰退epoch数 --device='npu' //计算芯片类型 --gpu=${ASCEND_DEVICE_ID} //计算芯片序号 --dist-backend='hccl' //通信后端 --epoch=${train_epochs} //训练epoch数 --loss-scale=128 //loss-scale大小 --amp //是否开启混合精度 --batchsize=${batch_size} > ${test_path_dir}/output/${ASCEND_DEVICE_ID}/train_${ASCEND_DEVICE_ID}.log 2>&1 & //日志路径 ``` # 训练结果展示 表 2训练结果展示表 | NAME | PT版本 | 精度 | FPS | Epochs | AMP_Type | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | 1.5 | - | 11 | 1 | - | | 1p-NPU | 1.5 | - | 9.8 | 1 | O2 | | 1p-NPU | 1.8 | - | 22.3 | 1 | O2 | | 8p-竞品V | 1.5 | 88.3 | 74.8 | 100 | - | | 8p-NPU | 1.5 | 88.7 | 55.2 | 100 | O2 | | 8p-NPU | 1.8 | 90.3 | 130.1 | 100 | O2 | # 版本说明 ## 变更 2022.08.15：更新pytorch1.8版本，重新发布。 2020.07.08：首次发布。 ## 已知问题 当前发行版本中存在的问题描述。 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)