--- title: SwinTransformer-Pytorch-模型库-ModelZoo-昇腾社区 description: Swin-Transformer使用层级式的transformer和移动窗口将transformer应用到CV领域。其通过限制在窗口内使用自注意力，带来了更高的效率 ，通过移动，使得相邻两个窗口之间有了交互，上下层之间也就有了跨窗口连接，从而变相达到了一种全局建模的效果。 keywords: SwinTransformer,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/6f5353c4ffe94bb99412b58656b3d429 section: (其他) --- # SwinTransformer-Pytorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/6f5353c4ffe94bb99412b58656b3d429 描述: Swin-Transformer使用层级式的transformer和移动窗口将transformer应用到CV领域。其通过限制在窗口内使用自注意力，带来了更高的效率 ，通过移动，使得相邻两个窗口之间有了交互，上下层之间也就有了跨窗口连接，从而变相达到了一种全局建模的效果。 关键词: SwinTransformer,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) SwinTransformer-Pytorch ## SwinTransformer-Pytorch 视觉大模型PyTorch训练2120次浏览2026/02/02更新 查看模型源码 SwinTransformer-Pytorch 查看模型源码 ... # 概述 ## 简述 Swin-Transformer 使用层级式的transformer和移动窗口将transformer应用到CV领域。其通过限制在窗口内使用自注意力，带来了更高的效率 ，通过移动，使得相邻两个窗口之间有了交互，上下层之间也就有了跨窗口连接，从而变相达到了一种全局建模的效果。 - 参考实现： ``` url=https://github.com/microsoft/Swin-Transformer commit_id=22e57f446ecc3fa650df1e1a271807bfd7ddcf74 ``` - 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 | torchvision==0.2.2.post3；pillow==8.4.0 | | PyTorch 1.8 | torchvision==0.9.1；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。 用户自行获取`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=real_data_path # 单卡精度 bash ./test/train_performance_1p.sh --data_path=real_data_path # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=real_data_path # 8卡精度 bash ./test/train_performance_8p.sh --data_path=real_data_path # 8卡性能 ``` - 单机8卡评测 启动8卡评测。 ``` bash ./test/train_eval_8p.sh --data_path=real_data_path --pth_path=real_pre_train_model_path #8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。 --pth_path参数填写训练权重生成路径，需写到权重文件的一级目录。 模型训练脚本参数说明如下。 ``` --cfg //配置文件 --data_path //数据集路径 --one_epoch //是否训练1个epoch --batch_size //训练批次大小 --local_rank //训练设备卡号 ``` 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 | - | 284 | 1 | - | 1.5 | | 8p-竞品V | 81.1 | 1906 | 300 | - | 1.5 | | 1p-竞品A | - | - | 1 | - | 1.5 | | 8p-竞品A | 81.1 | 2876 | 300 | - | 1.5 | | 1p-NPU | - | 432.41 | 1 | O2 | 1.8 | | 8p-NPU | 81.0 | 3600.85 | 300 | O2 | 1.8 | # 版本说明 ## 变更 2022.12.20：更新readme，重新发布。 ## 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)