---
title: Evo_Levit_256_384-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: Evo,Levit,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述
url: https://www.hiascend.com/software/modelzoo/models/detail/aaec53c5469c4c55bb662b4a23939108
section: (其他)
---

# Evo_Levit_256_384-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/aaec53c5469c4c55bb662b4a23939108
描述: 生态贡献模型
关键词: Evo,Levit,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述

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)

Evo_Levit_256_384-PyTorch

## Evo_Levit_256_384-PyTorch

视觉分类PyTorch训练92次浏览2025/12/29更新

查看模型源码

Evo_Levit_256_384-PyTorch

查看模型源码

...

# 概述

## 简述

Evo-ViT的具体框架设计，包括基于全局class attention的token选择以及慢速、快速双流token更新两个模块。其根据全局class attention的排序判断高信息token和低信息token，将低信息token整合为一个归纳token，和高信息token一起输入到原始多头注意力（Multi-head Self-Attention, MSA）模块以及前向传播（Fast Fed-forward Network, FFN）模块中进行精细更新。更新后的归纳token用来快速更新低信息token。全局class attention也在精细更新过程中进行同步更新变化。

- 参考实现：

```
url=https://github.com/YifanXu74/Evo-ViT
commit_id=4c5d9b30b0a3c9b1e7b8687a9490555bd9d714ca
```
- 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 |
| PyTorch 1.8 | torchvision==0.9.1 |
- 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。

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。
- 关于`timm`包的NPU优化补丁。

```
# 需要先cd到模型源码包根目录下
# 执行以下命令，先后生成补丁并升级包
diff -uN {timm_path}/data/mixup.py ./fix_timm/mixup.py >mixup.patch
diff -uN {timm_path}/optim/optim_factory.py ./fix_timm/optim_factory.py >optim.patch
patch -p0 {timm_path}/data/mixup.py mixup.patch
patch -p0 {timm_path}/optim/optim_factory.py optim.patch
```

说明：timm_path为timm包的安装路径，一般timm包的安装位置在/usr/local/lib/python3.7/dist-packages/timm/。

## 准备数据集

1. 获取数据集。

用户自行获取原始数据集`ImageNet2012`，将数据集上传到服务器任意路径下并解压。

以`ImageNet2012`数据集为例，数据集目录结构参考如下所示。

```
├── 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。

## 获取预训练模型

`Evo-Vit`模型训练需要配置`teacher—model`，用户自行获取`regnety_160-a5fe301d.pth`预训练模型，可参考GitHub的Evo-Vit [了解详情](https://github.com/YifanXu74/Evo-ViT)。将获取的预训练模型放置在源码包根目录下。与源码中的配置参数的默认值`./regnety_160-a5fe301d.pth`保持一致。

# 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
```

--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：
--data_path                         //数据集路径     
--model                             //模型名称
--batch-size                        //训练批次大小
--input-size                        //输入图像大小
--output_dir                        //输出路径
```

训练完成后，权重文件保存在当前路径的save中，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 | - | 51 | 1 | O1 | 1.8 |
| 8p-竞品V | 73.54 | 487 | 100 | O1 | 1.8 |
| 1p-NPU | - | 66.93 | 1 | O1 | 1.8 |
| 8p-NPU | 74.32 | 510.72 | 100 | O1 | 1.8 |

# 版本说明

## 变更

2022.11.09：首次发布。

## FAQ

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)