--- title: FCN8s-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: FCN,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/f2080c400d054ea1b0a017c1bd417cca section: (其他) --- # FCN8s-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/f2080c400d054ea1b0a017c1bd417cca 描述: 生态贡献模型 关键词: FCN,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) FCN8s-PyTorch ## FCN8s-PyTorch 视觉分割PyTorch训练188次浏览2026/01/19更新 查看模型源码 FCN8s-PyTorch 查看模型源码 ... # 概述 ## 简述 FCN8s是一个经典的语义分割网络，FCN8s使用全卷积结构，可以接受任意尺寸的输入图像，采用反卷积对最后一层的特征图进行上采样，得到与输入图像相同尺寸的输出，从而对输入进行逐像素预测。 - 参考实现： ``` url=https://github.com/open-mmlab/mmsegmentation.git commit_id=9f071cade8cdc59c13b416c7c9843005410c055c ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/semantic_segmentation ``` - 通过Git获取代码方法如下： ``` git clone {url} # 克隆仓库的代码 cd {code_path} # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换 ``` - 通过单击“立即下载”，下载源码包。 # 准备训练环境 ## 准备环境 - 当前模型支持的固件与驱动、 CANN 以及 PyTorch 如下表所示。 表 1版本配套表 | 配套 | 版本 | | --- | ---| | 固件与驱动 | 5.1.RC2 | | CANN | 5.1.RC2 | | PyTorch | 1.8.1 | - 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 ``` - 构建mmcv。 下载mmcv1.2.7 [了解详情](https://github.com/open-mmlab/mmcv/tree/v1.2.7)到路径`$YOURMMVCPATH`。然后，复制`mmcv_replace`到`$YOURMMVCPATH/mmcv`。 ``` # configure cd /${模型文件夹名称} source env_npu.sh # copy rm -rf $YOURMMVCPATH/mmcv mkdir mmcv cp -r mmcv_replace/* $YOURMMVCPATH/mmcv/ # compile cd $YOURMMVCPATH export MMCV_WITH_OPS=1 export MAX_JOBS=8 python3 setup.py build_ext python3 setup.py develop pip3.7.5 list | grep mmcv cd /${模型文件夹名称} ``` - 权限配置。 ``` chmod -R 777 ./ ``` - 删除`mmcv_replace`文件夹。 ``` rm -rf mmcv_replace ``` ## 准备数据集 1. 获取数据集。 - 下载 PASCAL VOC 2012 数据集和 PASCAL VOC2010 数据集的训练集和验证集。 解压后，数据集目录结构如下所示： ``` ├── VOCdevkit │ │ ├── VOC2012 │ │ ├── VOC2010 ``` - 下载PASCALAug [了解详情](http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/semantic_contours/benchmark.tgz)数据集。 解压后，复制`benchmark_REALSE/dataset`到`VOCdevkit`文件夹下的`VOCaug`。 数据集目录结构如下所示： ``` ├── VOCdevkit │ │ ├── VOC2012 │ │ ├── VOC2010 │ │ ├── VOCaug ``` 1. 数据预处理。 - 使用以下命令转换 VOCAug 数据集。 ``` cd /${模型文件夹名称} python tools/convert_datasets/voc_aug.py data/VOCdevkit data/VOCdevkit/VOCaug --nproc 8 ``` 说明:可能会提示`Segmentation fault (core dumped)`， 提示原因是mmcv需要pytorch支持。 请返回源码包根目录并运行`source env_npu.sh`。 - [可选] 建立数据集到文件夹mmseg100的软链。 ``` cd /${模型文件夹名称} mkdir data ln -s VOCdevkit data # data_path=./data/VOCdevkit/VOC2012 ``` # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。 - 单机单卡训练 启动单卡训练。 ``` # training 1p accuracy bash ./test/train_full_1p.sh --data_path=xxx --device_id=xxx # --data_path=data/VOCdevkit/VOC2012 # --device_id 指定训练用卡，可选0，1，2，3，4，5，6，7 # training 1p performance bash ./test/train_performance_1p.sh --data_path=xxx --device_id=xxx ``` - 单机8卡训练 启动8卡训练。 ``` # training 8p accuracy bash ./test/train_full_8p.sh --data_path=xxx # training 8p performance bash ./test/train_performance_8p.sh --data_path=xxx # evaluation 8p accuracy bash ./test/train_val_8p.sh --data_path=xxx ``` - 多机多卡性能数据获取流程 ``` 1. 安装环境 2. 开始训练，每个机器所请按下面提示进行配置 bash ./test/train_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP ``` --data_path参数填写数据集路径。 模型训练脚本参数说明如下。 ``` 公共参数： --device //指定gpu或npu --data_path //数据集路径 --addr //主机地址 --amp //是否使用混合精度 --loss-scale //混合精度lossscale大小 --opt-level //混合精度类型 多卡训练参数： --device-list '0,1,2,3,4,5,6,7' //多卡训练指定训练用卡 ``` 日志和权重文件保存在如下路径。 ``` ./output/devie_id/FCN/train_${device_id}.log # training detail log ./output/devie_id/FCN/FCN_bs16_8p_acc.log # 8p training performance result log ./output/devie_id/FCN/ckpt # checkpoits ./output/devie_id/FCN_prof/FCN_bs16_8p_acc.log # 8p training accuracy result log ``` # 训练结果展示 表 2训练结果展示表 | 名称 | FPS | aAcc | mIoU | mAcc | | --- | --- | --- | --- | ---| | 1p-竞品 | ----- | ----- | ----- | ----- | | 1p-NPU | 28.46 | 90.73 | 59.61 | 72.01 | | 8p-竞品 | 135.19 | 93.23 | 69.36 | 78.88 | | 8p-NPU | 193.15 | 93.06 | 68.41 | 77.39 | # 版本说明 ## 变更 2022.09.06：更新内容，重新发布。 2020.07.08：首次发布。 ## 已知问题 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)