---
title: EfficientNet_B5_ID1621-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: EfficientNet,ID,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述
url: https://www.hiascend.com/software/modelzoo/models/detail/dec25c85889c4b248a1522b5839b3397
section: (其他)
---

# EfficientNet_B5_ID1621-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/dec25c85889c4b248a1522b5839b3397
描述: 生态贡献模型
关键词: EfficientNet,ID,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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

EfficientNet_B5_ID1621-PyTorch

## EfficientNet_B5_ID1621-PyTorch

视觉分类PyTorch训练118次浏览2026/01/19更新

5.0

查看模型源码

EfficientNet_B5_ID1621-PyTorch

查看模型源码

模型使用

版本信息

模型使用

版本信息

...

# 概述

## 简述

EfficientNet-B5网络模型属于EfficientNet系列网络。该系列网络的基础网络EfficientNet-B0通过神经网络搜索（NAS）搜索得出，随后通过复合缩放策略对EfficientNet-B0进行分辨率、深度和宽度三个维度上的同时缩放，得到了EfficientNet B1-B7，实现了网络在效率和准确率上的优化。

- 参考实现：

```
url=https://github.com/facebookresearch/pycls.git
commit_id=0ddcc2b25607c7144fd6c169d725033b81477223
```
- 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。
2. 数据预处理。

在`pycls/datasets/loader.py`中修改数据集的路径，将变量`_DATA_DIR`修改为`imagenet`数据集的路径。

# 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8卡评测

启动8卡评测。

```
bash ./test/train_eval_8p.sh --data_path=/data/xxx/  # 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。

模型训练脚本参数说明如下。

```
公共参数：
--cfg                               //使用yaml配置文件路径
--rank_id                           //默认卡号
--device_id                         //默认设备号
```

训练完成后，权重文件默认会写入到和test文件同一目录下，并输出模型训练精度和性能信息到网络脚本test下output文件夹内。

# 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 | - | - | 100 | - | 1.5 |
| 8p-竞品V | - | - | 100 | - | 1.5 |
| 1p-NPU | - | 55 | 100 | O2 | 1.8 |
| 8p-NPU | 79.092 | 430 | 100 | O2 | 1.8 |

# 版本说明

## 变更

2022.08.01：更新pytorch1.8版本，重新发布。

2020.12.23：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 |
| --- | --- | --- | --- | --- | ---|
| 5.0.RC1 | 2023/08/14 | Mixed | Ascend 910 | 6.3.RC1 | modelzoomodelzoo |

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)