--- title: Twins-PCPVT-S-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: Twins,PCPVT,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 url: https://www.hiascend.com/software/modelzoo/models/detail/ea18b4d803a840608d2e02bdfc09c592 section: (其他) --- # Twins-PCPVT-S-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/ea18b4d803a840608d2e02bdfc09c592 描述: 生态贡献模型 关键词: Twins,PCPVT,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) Twins-PCPVT-S-PyTorch ## Twins-PCPVT-S-PyTorch 视觉分类PyTorch训练80次浏览2026/01/19更新 查看模型源码 Twins-PCPVT-S-PyTorch 查看模型源码 ... # 概述 ## 简述 Twins-PCPVT使用了CPVT中的 conditional position encoding（条件位置编码CPE）来替代PVT中的绝对位置编码，可以在分类和下游任务上可以直接获得大幅的性能提升，尤其是在稠密任务上，由于条件位置编码 CPE 支持输入可变长度，使得视觉 Transformer 能够灵活处理来自不同空间尺度的特征。 - 参考实现： ``` url=https://github.com/Meituan-AutoML/Twins.git commit_id=4700293a2d0a91826ab357fc5b9bc1468ae0e987 ``` - 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==0.6.0；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。 下载开源数据集包括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。 # 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_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_performance_8p.sh --data_path=/data/xxx/ # 8卡性能 bash ./test/train_full_8p.sh --data_path=/data/xxx/ # 8卡精度 ``` --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： --model //模型名称 --device //训练设备 --batch-size //训练批次大小 --data-path //数据集路径 --dist-eval //多卡验证 --epochs //重复训练次数 --finetune //是否微调 --seed //随机数种子设置 --lr //初始学习率 --weight-decay //权重衰减 ``` 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-NPU | - | 252.66 | 1 | O1 | 1.8 | | 8p-NPU | 77.51 | 1934.00 | 100 | O1 | 1.8 | # 版本说明 ## 变更 2023.02.23：更新readme，重新发布。 2022.10.24：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)