---
title: DeepLabV3-Pytorch-模型库-ModelZoo-昇腾社区
description: DeepLabV3是一个经典的语义分割网络，采用空洞卷积来代替池化解决分辨率的下降（由下采样导致），采用ASPP模型实现多尺度特征图融合，提出了更通用的框架，适用于更多网络。
keywords: DeepLabV,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/578c4447b3f74f5a9efa5ce34e8dcffd
section: (其他)
---

# DeepLabV3-Pytorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/578c4447b3f74f5a9efa5ce34e8dcffd
描述: DeepLabV3是一个经典的语义分割网络，采用空洞卷积来代替池化解决分辨率的下降（由下采样导致），采用ASPP模型实现多尺度特征图融合，提出了更通用的框架，适用于更多网络。
关键词: DeepLabV,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)

DeepLabV3-Pytorch

## DeepLabV3-Pytorch

视觉分割PyTorch训练1447次浏览2026/02/02更新

获取源码

DeepLabV3-Pytorch

查看模型源码

...

# 概述

## 简述

DeepLabV3是一个经典的语义分割网络，采用空洞卷积来代替池化解决分辨率的下降（由下采样导致），采用ASPP模型实现多尺度特征图融合，提出了更通用的框架，适用于更多网络。

- 参考实现：

```
url=https://github.com/fregu856/deeplabv3
commit_id=415d983ec8a3e4ab6977b316d8f553371a415739
```
- 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
```

# 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 | - |
| PyTorch 1.8 | - |
- 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，安装模型需要的依赖。

```
cd /${code_path}

bash env_set.sh
```

如在bash env_set.sh过程中出现无法连接mmcv的github报错，可以参考env_set.sh脚本中的配置命令进行mmcv的下载、编译以及替换操作。其中mmcv替换操作需要指定其安装目录，具体操作如下所示。

```
mmcv_path=mmcv安装路径
```

```
cd /${code_path}

cp -f mmcv_need/_functions.py ${mmcv_path}/mmcv/parallel/
cp -f mmcv_need/scatter_gather.py ${mmcv_path}/mmcv/parallel/
cp -f mmcv_need/distributed.py ${mmcv_path}/mmcv/parallel/
cp -f mmcv_need/dist_utils.py ${mmcv_path}/mmcv/runner/
```

## 准备数据集

1. 获取数据集。

请用户自行下载cityscapes数据集，在源码包根目录下新建文件夹data，并将cityscas数据集放于data目录下。
2. 数据预处理。

- 执行以下命令进行数据预处理操作：

```
python3 tools/convert_datasets/cityscapes.py data/cityscapes --nproc 8
# 注：'data/cityscapes'为数据集存放的路径。
```

- 预处理后数据集目录结构参考如下所示。

```
├ data
├─ cityscapes   
├── gtFine
│       ├── test     
│       │       ├──城市1──图片1、2、3、4
│       │       ├──城市2──图片1、2、3、4  
│       ├── train
│       │       │──城市3──图片1、2、3、4
│       │       ├──城市4──图片1、2、3、4  
│       └── val      
│       │       │──城市5──图片1、2、3、4
│       │       ├──城市6──图片1、2、3、4  
├── leftImg8bit
│       ├── test     
│       │       ├──城市1──图片1、2、3、4
│        │       ├──城市2──图片1、2、3、4  
│        ├── train
│       │       │──城市3──图片1、2、3、4
│       │       ├──城市4──图片1、2、3、4  
│       └── val      
│       │       │──城市5──图片1、2、3、4
│       │       ├──城市6──图片1、2、3、4
```

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

运行训练脚本会自动下载预训练模型，若无法自动下载，可手动下载resnet50_v1c.pth，并放到/root/.cache/torch/hub/checkpoints/文件夹下。

# 开始训练

## 训练模型

1. 进入模型代码所在路径。

```
cd /${code_path} 
```
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/cityscapes/  # 单卡精度

bash ./test/train_performance_1p.sh --data_path=./data/cityscapes/  # 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/cityscapes/  # 8卡精度

bash ./test/train_performance_8p.sh --data_path=./data/cityscapes/  # 8卡性能
```
- 多机多卡性能训练

```
1. 安装环境
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 --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：
--seed                              //随机数种子设置
--master-addr                       //主机地址
--master-port                       //主机端口号
--options                           //自定义选项    
--gpu-ids                           //单卡训练卡号指定
--load-from                         //权重加载
--work-dir                          //日志和模型保存目录
```

训练完成后，权重文件保存在当前路径的output文件夹下，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 | aACC | mIoU | FPS | Train_Step | AMP_Type | Torch_Version |
| --- | --- | --- | --- | --- | --- | ---|
| 1p-NPU | - | - | 8.78 | 1000 | O2 | 1.8 |
| 8p-NPU | 96.13 | 78.98 | 75.135 | 7000 | O2 | 1.8 |

# 版本说明

## 变更

2023.02.20：更新readme，重新发布。

2020.07.08：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)