---
title: SOLOv1-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: SOLOv,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/f83f22c9322c45299c18dab21d413d98
section: (其他)
---

# SOLOv1-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/f83f22c9322c45299c18dab21d413d98
描述: 生态贡献模型
关键词: SOLOv,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)

SOLOv1-PyTorch

## SOLOv1-PyTorch

视觉检测与跟踪PyTorch训练131次浏览2026/01/19更新

查看模型源码

SOLOv1-PyTorch

查看模型源码

...

# 概述

## 简述

SOLOv1框架的核心思想是按位置分割对象。输入图像在概念上分为S×S网格。如果对象的中心落在网格单元中，则该网格单元负责预测语义类别以及分配每像素位置类别。有两个分支：类别分支和掩码分支。类别分支预测语义类别，而掩码分支分割对象实例。SOLO实现了端到端的训练，无需anchor，通过离散量化，将坐标回归转化为分类问题，可以避免启发式的坐标规范问题，简化了实例分割任务，具有较好的性能，且实现了和Mask-R-CNN基本持平的效果。

- 参考实现：

```
url=https://github.com/WXinlong/SOLO
commit_id=95f3732d5fbb0d7c7044c7dd074f439d48a72ce5
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/contrib/cv/detection
```

# 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。
- 安装mmcv。

```
cd mmcv
source test/env_npu.sh  
python3 setup.py build_ext
python3 setup.py develop
cd ..
pip3 list | grep mmcv  # 查看版本和路径
```
- 安装mmdet。

```
pip install -r requirements/build.txt
pip install "git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"
pip install -v -e .
```

## 准备数据集

1. 获取数据集。

用户自行获取原始数据集coco2017，将coco数据集放于`SOLOv1/data`目录下，数据集目录结构参考如下所示。

```
SOLOv1
  ├── configs
  ├── data
  │   ├── coco
  │       ├── annotations   796M
  │       ├── train2017     19G
  │       ├── val2017       788M            
```

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_full_1p.sh --data_path=./data/coco  # 单卡精度

bash ./test/train_performance_1p.sh --data_path=./data/coco  # 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/coco  # 8卡精度

bash ./test/train_performance_8p.sh --data_path=./data/coco  # 8卡性能
```
- 单机单卡评测

启动单卡评测。

```
bash ./test/train_eval_1p.sh --data_path=./data/coco
```
- 多机多卡性能

启动多机多卡性能训练。

```
1. 安装环境
2. 开始训练，每个机器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*所有卡数 --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，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：
--opt-level                         //混合精度类型
--seed                              //随机数种子设置
--addr                              //主机地址
--data_root                         //数据集路径  
--validate                          //设置在训练期间其否评测
--total_epochs                      //训练周期数
```

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 |
| --- | --- | --- | --- | ---|
| 1p-竞品V | - | 2.75 | 1 | O1 |
| 8p-竞品V | 32.3 | 16.3 | 12 | O1 |
| 1p-NPU | - | 1.42 | 1 | O1 |
| 8p-NPU | 32.1 | 9.4 | 12 | O1 |

# 版本说明

## 变更

2023.03.10：更新readme，重新发布。

2020.07.08：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)