概述

PraNet是一个新的网络结构，用于从结肠镜图像中自动分割息肉。实验表明，在数据集中，PraNet模型始终比其它对比模型表现出更大的优势。PraNet具有较强的学习能力、泛化能力和实时分割效率。

• 参考实现：

  url=https://github.com/DengPingFan/PraNet
  commit_id=59206b0591261bc7f6ef0e3c83efd5e30a357d7

• 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	1.0.15
  CANN	5.1.RC1
  PyTorch	1.8.1

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖（根据模型需求，按需添加所需依赖）。

  pip install -r requirements.txt

准备数据集

1. 获取数据集。

   Kvasir数据集包括开放访问的胃肠道息肉图像数据集和相应的分割掩码，由经验丰富的胃肠病学家手动注释和验证。以将数据集放置到/data目录下为例，训练集和验证集图片分别位于“./data/TrainDataset”和“/data/TestDataset/”文件夹路径下，由于验证集使用Kvasir数据集，因此验证集的路径为“./data/TestDataset/Kvasir”，数据集目录结构参考如下所示。

    data/
    ├── TestDataset
    │   └── Kvasir
    │       ├── images
    │       └── masks
    └── TrainDataset
        ├── images
        └── masks

   构建软链接

   mkdir data
   cd data
   ln -s train_path/TestDataset

   说明： 数据集路径'train_path'以用户自行定义的路径为准

2. 数据预处理（按需处理所需要的数据集）。

获取预训练模型

1. 创建文件夹。

   snapshots/PraNet_Res2Net/

2. 下载预训练权重，将权重移动至创建好的路径下。

   snapshots/PraNet_Res2Net/PraNet-19.pth

   PraNet-19.pth 下载地址为download link (Google Drive)。

   Res2Net 权重 下载地址为download link (Google Drive)放置在模型根目录文件夹下。

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。

   # training 1p accuracy
   bash ./test/train_full_1p.sh --train_path=./data/TrainDataset
   
   # training 1p performance
   bash ./test/train_performance_1p.sh --train_path=./data/TrainDataset
   
   # training 8p accuracy
   bash ./test/train_full_8p.sh --train_path=./data/TrainDataset
   
   # training 8p performance
   bash ./test/train_performance_8p.sh --train_path=./data/TrainDataset
   
   # finetuning
   bash test/train_finetune_1p.sh --train_path=./data/TrainDataset
   
   # online inference demo 
   python3 demo.py

   --train_path以用户数据集实际存放路径为准。

日志路径:

test/output/devie_id/train_${device_id}.log           # training detail log
test/output/devie_id/PraNet_bs16_8p_acc  # 8p training performance result log
test/output/devie_id/train_PraNet_bs16_8p_acc_loss   # 8p training accuracy result log

模型训练脚本参数说明如下，以train_performance_1p.sh为例：

################基础配置参数，需要模型审视修改##################
# 必选字段(必须在此处定义的参数): Network batch_size RANK_SIZE
# 网络名称，同目录名称
Network="PraNet"
# 训练batch_size
batch_size=16
# 训练使用的npu卡数
export RANK_SIZE=1
# 数据集路径,保持为空,不需要修改 train_path=./data/TrainDataset
train_path=""

# 训练epoch
train_epochs=2
# 指定训练所使用的npu device卡id=0 多卡id=1(用于输出日志)
device_id=0
# 加载数据进程数
workers=128

公共参数：
--train_path=./data/TrainDataset                     //训练数据集路径 
--addr=$(hostname -I |awk '{print $1}')              //主机地址
--seed=49                                            //设置随机种子
--workers=${workers}                                 //加载数据进程数
--lr=1e-4                                            //初始学习率
--world-size=1                                       //服务器台数
--decay_epoch=50                                     //学利率衰退epoch数
--device='npu'                                       //计算芯片类型
--gpu=${ASCEND_DEVICE_ID}                            //计算芯片序号
--dist-backend='hccl'                                //通信后端
--epoch=${train_epochs}                              //训练epoch数
--loss-scale=128                                     //loss-scale大小
--amp                                                //是否开启混合精度
--batchsize=${batch_size} > ${test_path_dir}/output/${ASCEND_DEVICE_ID}/train_${ASCEND_DEVICE_ID}.log 2>&1 &                        //日志路径

训练结果展示

表 2 训练结果展示表

NAME	PT版本	精度	FPS	Epochs	AMP_Type
1p-竞品V	1.5	-	11	1	-
1p-NPU	1.5	-	9.8	1	O2
1p-NPU	1.8	-	22.3	1	O2
8p-竞品V	1.5	88.3	74.8	100	-
8p-NPU	1.5	88.7	55.2	100	O2
8p-NPU	1.8	90.3	130.1	100	O2

版本说明

变更

2022.08.15：更新pytorch1.8版本，重新发布。

2020.07.08：首次发布。

已知问题

当前发行版本中存在的问题描述。

无。

公网地址说明

代码涉及公网地址参考 public_address_statement.md