---
title: Attention_Unet-PyTorch-模型库-ModelZoo-昇腾社区
description: Attention U-Net 将注意力机制应用于UNet分割网络中，可以实现对有关区域的关注以及对无关区域的忽略。
keywords: Attention,Unet,PyTorch,模型库,ModelZoo,昇腾社区,概述,准备训练环境
url: https://www.hiascend.com/software/modelzoo/models/detail/4dd570bd82614d85aa2578d6a66d70ce
section: (其他)
---

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

URL: https://www.hiascend.com/software/modelzoo/models/detail/4dd570bd82614d85aa2578d6a66d70ce
描述: Attention U-Net 将注意力机制应用于UNet分割网络中，可以实现对有关区域的关注以及对无关区域的忽略。
关键词: Attention,Unet,PyTorch,模型库,ModelZoo,昇腾社区,概述,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)

Attention_Unet-PyTorch

## Attention_Unet-PyTorch

视觉分割PyTorch训练454次浏览2025/12/29更新

查看模型源码

Attention_Unet-PyTorch

查看模型源码

...

# 概述

Attention U-Net 将注意力机制应用于UNet分割网络中，可以实现对有关区域的关注以及对无关区域的忽略。注意力机制可以很好地嵌入到CNN框架中，能够提高模型性能并且不增加计算量。

- 参考实现：

```
url=https://github.com/LeeJunHyun/Image_Segmentation.git
commit_id=db34de21767859e035aee143c59954fa0d94bbcd
```
- 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 | 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。

用户自行下载ISIC 2018 dataset原始数据集。注意，仅仅需要下载2018年的 Training Data 和 Training Ground Truth。本任务用到的 Training Data 和 Training Ground Truth 类别的压缩包分别为 ISIC2018_Task1-2_Training_Input.zip 和 ISIC2018_Task1_Training_GroundTruth.zip。

下载完成并解压，将数据集放至在源码包根目录下新建的 ISIC/dataset 目录下或者在 dataset.py 中修改路径参数为数据集文件所在路径，然后运行 dataset.py 将数据集划分为三部分，分别用于 training、validation和test，三部分的比例是70%、10% 和20%。数据集总共包含2594张图片，其中1815用于training，259 用于validation，剩下的520用于testing。

```
python dataset.py
```

ISIC 2018 数据集包含各种皮肤病照片以及病灶分割图。以将数据集放置到“/dataset”目录下为例，原始的图片的训练集、验证集和测试集图片分别位于“train”、“valid”和“test”文件夹路径下，已进行分割的图片的训练集、验证集和测试集图片分别位于“train_GT”、“valid_GT”和”test_GT”文件夹路径下。数据集目录结构参考如下所示。

```
 dataset
 ├── train
 │   └── 图片1、2、3...
 ├── train_GT
 │   └── 图片1、2、3...
 ├── test
 │   └── 图片1、2、3...
 ├── test_GT
 │   └── 图片1、2、3...
 ├── valid
 │   └── 图片1、2、3...
 └── valid_GT
     └── 图片1、2、3...
```

说明：数据集路径以用户自行定义的路径为准

# 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/ --epochs=10 # 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/ --epochs=10  # 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：
 --batch-size                        //训练批次大小
 --image_size                        //图片大小
 --num_epochs                        //训练周期数
 --data_path                         //数据集路径
 --apex                              //是否使用混合精度进行训练  
 ---apex_opt_level                   //混合精度类型
 --seed                              //随机数种子设置
 --npu_idx                           //设置训练卡id
 --loss_scale_value                  //设置loss scale值
```

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 | - | 138.54 | 10 | O2 | 1.8 |
| 8p-NPU | 0.95 | 845.93 | 150 | O2 | 1.8 |

# 版本说明

## 变更

2023.03.13：更新readme，重新发布。

2020.08.17：首次发布。

## FAQ

无。

| 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)