--- title: HRNet-PyTorch-模型库-ModelZoo-昇腾社区 description: HRNet是一个用于图像分类的高分辨网络。 keywords: HRNet,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/6dcae9c1e6af465a87c30ff938e82085 section: (其他) --- # HRNet-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/6dcae9c1e6af465a87c30ff938e82085 描述: HRNet是一个用于图像分类的高分辨网络。 关键词: HRNet,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) HRNet-PyTorch ## HRNet-PyTorch 视觉分类PyTorch训练2018次浏览2025/12/29更新 获取源码 HRNet-PyTorch 查看模型源码 ... # 概述 ## 简述 HRNet，是一个用于图像分类的高分辨网络。通过并行连接高分辨率到低分辨率卷积来保持高分辨率表示，并通过重复跨并行卷积执行多尺度融合来增强高分辨率表示。在像素级分类、区域级分类和图像级分类中，证明了这些方法的有效性。其创新点在于能够从头到尾保持高分辨率，而不同分支的信息交互是为了补充通道数减少带来的信息损耗，这种网络架构设计对于位置敏感的任务会有奇效。 - 参考实现： ``` url=https://github.com/HRNet/HRNet-Image-Classification commit_id=f760c988482cdb8a1f69b10b219d669721144582 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/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 | - | | PyTorch 1.8 | - | | PyTorch 1.11 | - | | PyTorch 2.1 | - | - 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。 ``` pip install -r requirements.txt ``` ## 准备数据集 1. 获取数据集。 用户自行获取原始数据集，可选用的开源数据集包括ImageNet2012，将数据集上传到服务器任意路径下并解压。 数据集目录结构如下所示： ``` ├── ImageNet2012 ├──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 ``` - 单机单卡评测 启动单卡评测。 ``` bash ./test/train_eval_1p.sh --data_path=xxx --device_id=xxx # 单卡评测 ``` --data_path参数填写数据集路径，需写到数据集的一级目录。 --device_id参数填写使用哪个设备。 --hf32开启HF32模式，不与FP32模式同时开启 --fp32开启FP32模式，不与HF32模式同时开启 脚本中resume默认，若要开启请在yaml配置文件中修改RESUME的值为true. 模型训练脚本参数说明如下。 ``` 公共参数： data_path //数据集路径 --cfg // 模型配置文件 --addr // master节点 地址 --nproc // 启动节点数量 --lr // 学习率 --workers // 加载数据进程数 --train_epochs // 重复训练次数 --bs // 训练批次大小 --device_id // 指定设备号 --stop_step // 跑性能最大执行步数 --dn // 当前节点排名 ``` 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-竞品V | - | - | 1 | - | 1.5 | | 8p-竞品V | - | - | 100 | - | 1.5 | | 1p-NPU | - | 84.1 | 1 | O2 | 1.8 | | 8p-NPU | 76.65 | 533.2 | 100 | O2 | 1.8 | # 版本说明 ## 变更 2022.07.08：首次发布。 ## 已知问题 无。 # HRNet模型-推理指导 - 概述 [了解详情](https://www.hiascend.com/#ZH-CN_TOPIC_0000001172161501) - 输入输出数据 [了解详情](https://www.hiascend.com/#section540883920406) - 推理环境准备 [了解详情](https://www.hiascend.com/#ZH-CN_TOPIC_0000001126281702) - 快速上手 [了解详情](https://www.hiascend.com/#ZH-CN_TOPIC_0000001126281700) - 获取源码 [了解详情](https://www.hiascend.com/#section4622531142816) - 准备数据集 [了解详情](https://www.hiascend.com/#section183221994411) - 模型推理 [了解详情](https://www.hiascend.com/#section741711594517) - 模型推理性能&精度 [了解详情](https://www.hiascend.com/#ZH-CN_TOPIC_0000001172201573) # 概述 HRNet（High-Resolution Net）是针对2D人体姿态估计（Human Pose Estimation或Keypoint Detection）任务提出的，并且该网络主要是针对单一个体的姿态评估（即输入网络的图像中应该只有一个人体目标）。 - 参考实现： ``` url=https://github.com/HRNet/HRNet-Image-Classification commit_id=f130a24bf09b7f23ebd0075271f76c4a188093b2 code_path=https://gitee.com/ascend/ModelZoo-PyTorch/tree/master/ACL_PyTorch/contrib/cv/classfication/HRNet-Image-Classification model_name=HRNet ``` ## 输入输出数据 - 输入数据 | 输入数据 | 数据类型 | 大小 | 数据排布格式 | | --- | --- | --- | ---| | input | RGB_FP32 | batchsize x 3 x 224 x 224 | NCHW | - 输出数据 | 输出数据 | 数据类型 | 大小 | 数据排布格式 | | --- | --- | --- | ---| | output1 | FLOAT32 | batchsize x 1000 | ND | # 推理环境准备 - 该模型需要以下插件与驱动 表 1版本配套表 | 配套 | 版本 | 环境准备指导 | | --- | --- | ---| | 固件与驱动 | 22.0.3 | Pytorch框架推理环境准备 | | CANN | 6.0.RC1 | - | | Python | 3.7.5 | - | | PyTorch | 1.11.0 | - | | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ | # 快速上手 ## 获取源码 1. 获取源码。 ``` git clone https://github.com/HRNet/HRNet-Image-Classification.git ``` 2. 安装依赖。 ``` pip3 install -r requirement_for_infer.txt ``` ## 准备数据集 1. 获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip） 该模型使用ImageNet官网 [了解详情](http://www.image-net.org/)的5万张验证集进行测试，图片与标签分别存放在/local/HRNet/imagenet/val与/local/HRNet/imagenet/val_label.txt。 ``` imagenet ├── val_label.txt //验证集标注信息 └── val // 验证集文件夹 ``` 2. 数据预处理，将原始数据集转换为模型输入的数据。 执行imagenet_torch_preprocess.py脚本，完成预处理。 ``` python3 imagenet_torch_preprocess.py hrnet /local/HRNet/imagenet/val ./prep_dataset ``` - 参数说明： /local/HRNet/imagenet/val，原始数据验证集（.jpeg）所在路径。 ./prep_dataset，输出的二进制文件（.bin）所在路径。 ## 模型推理 1. 模型转换。 使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。 1. 获取权重文件。 使用在线推理完成后的权重文件 2. 导出onnx文件。 1. 使用hrnet_pth2onnx.py脚本。 运行hrnet_pth2onnx.py脚本。 ``` python3 hrnet_pth2onnx.py --cfg ./HRNet-Image-Classification/experiments/cls_hrnet_w18_sgd_lr5e-2_wd1e-4_bs32_x100.yaml --input model_best.pth.tar --output hrnet_w18.onnx ``` 获得hrnet_w18.onnx文件。 3. 使用ATC工具将ONNX模型转OM模型。 1. 配置环境变量。 ``` source /usr/local/Ascend/ascend-toolkit/set_env.sh ``` 2. 执行命令查看芯片名称（${chip_name}）。 ``` npu-smi info #该设备芯片名为Ascend 910A （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 910A | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 910A | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ ``` 3. 执行ATC命令。 ``` atc --framework=5 --model=./hrnet_w18.onnx --input_format=NCHW --input_shape="image:{batch size},3,224,224" --output=hrnet_bs{batch size} --log=debug --soc_version=Ascend910A 示例 atc --framework=5 --model=./hrnet_w18.onnx --input_format=NCHW --input_shape="image:1,3,224,224" --output=hrnet_bs1 --log=debug --soc_version=Ascend910A ``` - 参数说明： - --model：为ONNX模型文件。 - --framework：5代表ONNX模型。 - --output：输出的OM模型。 - --input_format：输入数据的格式。 - --input_shape：输入数据的shape。 - --log：日志级别。 - --soc_version：处理器型号。 运行成功后生成hrnet_bs1.om模型文件，batch size为1、4、8、32、64的修改对应的batch size的位置即可。 2. 开始推理验证。 1. 安装ais_bench推理工具。 请访问ais_bench推理工具 [了解详情](https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_infer)代码仓，根据readme文档进行工具安装。 2. 执行推理。 ``` python3 -m ais_bench --model ./hrnet_bs{batch size}.om --input ./prep_dataset/ --output ./output --output_dirname subdir --outfmt 'TXT' --batchsize {batch size} 示例 python3 -m ais_bench --model ./hrnet_bs1.om --input ./prep_dataset/ --output ./output --output_dirname subdir --outfmt 'TXT' --batchsize 1 ``` - 参数说明： - model：需要推理om模型的路径。 - input：模型需要的输入bin文件夹路径。 - output：推理结果输出路径。 - outfmt：输出数据的格式。 - output_dirname:推理结果输出子文件夹。 推理后的输出默认在当前目录output的subdir下。 3. 精度验证。 调用imagenet_acc_eval.py脚本推理结果与label比对，可以获得Accuracy Top5数据，结果保存在result.json中。 ``` python3.7 imagenet_acc_eval.py ./output/subdir /local/HRNet/imagenet/val_label.txt ./ result.json ``` - 参数说明： - ./output/subdir/：为生成推理结果所在路径 - /local/HRNet/imagenet/val_label.txt：为标签数据所在路径 - ./ result.json：结果保存路径 4. 性能验证。 可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下： ``` ``` python3 -m ais_bench --model=./hrnet_bs{batch size}.om --loop=1000 --batchsize={batch size} 示例 python3 -m ais_bench --model=./hrnet_bs1.om --loop=1000 --batchsize=1 ``` ``` - 参数说明： - --model：需要验证om模型所在路径 - --batchsize：验证模型的batch size，按实际进行修改 # 模型推理性能&精度 调用ACL接口推理计算，性能参考下列数据。 | 芯片型号 | Batch Size | 数据集 | 精度 | | --- | --- | --- | ---| | 910A | 1 | ImageNet | 76.02/Top1 91.72/Top5 | # 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)