---
title: BiseNetV1-PyTorch-模型库-ModelZoo-昇腾社区
description: BiseNetV1模型是基于mmsegmentation框架在CityScapes数据集上进行训练的分割模型。
keywords: BiseNetV,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/f6593d5c80744167ae05442e71e756ec
section: (其他)
---

# BiseNetV1-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/f6593d5c80744167ae05442e71e756ec
描述: BiseNetV1模型是基于mmsegmentation框架在CityScapes数据集上进行训练的分割模型。
关键词: BiseNetV,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)

BiseNetV1-PyTorch

## BiseNetV1-PyTorch

视觉分割PyTorch训练246次浏览2026/02/13更新

查看模型源码

BiseNetV1-PyTorch

查看模型源码

...

# 概述

## 简述

模型基于“mmsegmentation”框架，实现了在“CityScapes”数据集上进行训练。

- 参考实现：

```
url=https://github.com/open-mmlab/mmsegmentation
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/built-in/cv/semantic_segmentation
```

# 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==9.3.0 |
- 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。
- 安装 MMCV。

在模型源码包根目录下执行命令，安装模型mmcv。

```
git clone -b v1.6.1 --depth=1 https://github.com/open-mmlab/mmcv.git

cp -f mmcv_need/builder.py ${mmcv_path}/mmcv/runner/optimizer/
cp -f mmcv_need/dist_utils.py ${mmcv_path}/mmcv/runner/
cp -f mmcv_need/__init__utils.py ${mmcv_path}/mmcv/utils/__init__.py
cp -f mmcv_need/device_type.py ${mmcv_path}/mmcv/utils/
cp -f mmcv_need/optimizer.py ${mmcv_path}/mmcv/runner/hooks/
cp -f mmcv_need/__init__device.py ${mmcv_path}/mmcv/device/__init__.py
cp -rf mmcv_need/npu ${mmcv_path}/mmcv/device/
cp -f mmcv_need/utils.py ${mmcv_path}/mmcv/device/

cd $BiseNetV1_for_PyTorch/mmcv
pip install -r requirements/optional.txt
MMCV_WITH_OPS=1
FORCE_NPU=1
python setup.py install
```
- 安装 mmsegmentation

```
cd $BiseNetV1_for_PyTorch
pip install -v -e .
```

## 准备数据集

1. 获取数据集。

请用户自行获取原始数据集cityscapes，下载`gtFine_trainvaltest.zip`(241MB) 和`leftImg8bit_trainvaltest.zip`(11GB)。并在源码包根目录新建`data`文件夹，将下载好的数据集上传至该目录`$BiseNetV1_for_PyTorch/data`，执行以下命令进行解压。

```
cd $BiseNetV1_for_PyTorch/data
apt install unzip
unzip leftImg8bit_trainvaltest.zip -d cityscapes
# when prompting whether to overwrite, enter 'A'
unzip gtFine_trainvaltest.zip -d cityscapes
```

数据集目录结构参考如下所示。

```
$ BiseNetV1_for_PyTorch
  ├── mmseg
  ├── tools
  ├── configs
  ├── data
  │   └── cityscapes
  │       ├── leftImg8bit
  │       │   ├── train
  │       │   ├── val
  │       │   └── test
  │       ├── gtFine
  │       │   ├── train
  │       │   ├── val
  │       │   └── test
  │       ├── train.txt
  │       ├── val.txt
  │       └── test.txt
  └── ... 
```

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（按需处理所需要的数据集）。

`labelTrainIds.png`用于城市景观训练，请执行以下命令对数据进行预处理。

```
cd $BiseNetV1_for_PyTorch
pip install cityscapesscripts
python tools/convert_datasets/cityscapes.py data/cityscapes --nproc 8  # --nproc表示8个转换过程，也可省略。
```

# 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  # 单卡性能
```
- 单机8卡训练

启动8卡训练。

```
bash ./test/train_full_8p.sh  # 8卡精度

bash ./test/train_performance_8p.sh  # 8卡性能
```

模型训练脚本参数说明如下。

```
公共参数：
--load-from                         //加载权重
--opt-level                         //混合精度类型
--diff_seed                         //是否在不同rank上设置不同的随机数种子
--gpu-id                            //训练卡id设置     
--no-validate                       //设置训练期间是否评测
```

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 | mIoU | FPS | Device | Npu_nums | Steps | AMP_Type | CPU |
| --- | --- | --- | --- | --- | --- | --- | ---|
| 1p-*PU | - | 9 | - | - | 400 | O1 | x86 |
| 1p-NPU1.8 | - | 12 | 910A | 1 | 400 | O1 | ARM |
| 8p-*PU | 75.80 | 62 | - | - | 40000 | O1 | x86 |
| 8p-NPU1.8 | - | 88 | 910A | 8 | 400 | O1 | ARM |
| 8p-NPU1.8 | 76.03 | 88 | 910A | 8 | 40000 | O1 | ARM |

# 版本说明

## 变更

2023.03.06：更新readme，重新发布。

2020.07.08：首次发布。

## FAQ

建议使用“python”或“python3.7”来执行模型训练过程。如果需要使用“python3”，请在使用“python3”之前运行以下命令。

```
unlink /usr/bin/python3
ln -s /usr/bin/python3.7 /usr/bin/python3
```

| 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)