文档HOT
下载
EN
注册
ModelZoo 主页
主页大模型模型库工具库权重库ModelShow文档中心论坛交流
模型库
DeepLabV3-Pytorch
DeepLabV3-Pytorch

概述

简述

DeepLabV3是一个经典的语义分割网络，采用空洞卷积来代替池化解决分辨率的下降（由下采样导致），采用ASPP模型实现多尺度特征图融合，提出了更通用的框架，适用于更多网络。

  • 参考实现：

    url=https://github.com/fregu856/deeplabv3
commit_id=415d983ec8a3e4ab6977b316d8f553371a415739

  • 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

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 -
    PyTorch 1.8 -

  • 环境准备指导。

    请参考《Pytorch框架训练环境准备》。

  • 安装依赖。

    在模型源码包根目录下执行命令，安装模型需要的依赖。

    cd /${code_path}

bash env_set.sh

    如在bash env_set.sh过程中出现无法连接mmcv的github报错，可以参考env_set.sh脚本中的配置命令进行mmcv的下载、编译以及替换操作。其中mmcv替换操作需要指定其安装目录，具体操作如下所示。

    mmcv_path=mmcv安装路径
    cd /${code_path}

cp -f mmcv_need/_functions.py ${mmcv_path}/mmcv/parallel/
cp -f mmcv_need/scatter_gather.py ${mmcv_path}/mmcv/parallel/
cp -f mmcv_need/distributed.py ${mmcv_path}/mmcv/parallel/
cp -f mmcv_need/dist_utils.py ${mmcv_path}/mmcv/runner/

准备数据集

  1. 获取数据集。

    请用户自行下载cityscapes数据集，在源码包根目录下新建文件夹data，并将cityscas数据集放于data目录下。

  2. 数据预处理。

    • 执行以下命令进行数据预处理操作：
    python3 tools/convert_datasets/cityscapes.py data/cityscapes --nproc 8
# 注：'data/cityscapes'为数据集存放的路径。
    • 预处理后数据集目录结构参考如下所示。
    ├ data
├─ cityscapes   
├── gtFine
│       ├── test     
│       │       ├──城市1──图片1、2、3、4
│       │       ├──城市2──图片1、2、3、4  
│       ├── train
│       │       │──城市3──图片1、2、3、4
│       │       ├──城市4──图片1、2、3、4  
│       └── val      
│       │       │──城市5──图片1、2、3、4
│       │       ├──城市6──图片1、2、3、4  
├── leftImg8bit
│       ├── test     
│       │       ├──城市1──图片1、2、3、4
│        │       ├──城市2──图片1、2、3、4  
│        ├── train
│       │       │──城市3──图片1、2、3、4
│       │       ├──城市4──图片1、2、3、4  
│       └── val      
│       │       │──城市5──图片1、2、3、4
│       │       ├──城市6──图片1、2、3、4

    说明： 该数据集的训练过程脚本只作为一种参考示例。

获取预训练模型

运行训练脚本会自动下载预训练模型，若无法自动下载，可手动下载resnet50_v1c.pth，并放到/root/.cache/torch/hub/checkpoints/文件夹下。

开始训练

训练模型

  1. 进入模型代码所在路径。

    cd /${code_path}

  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/cityscapes/  # 单卡精度

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

bash ./test/train_performance_8p.sh --data_path=./data/cityscapes/  # 8卡性能

    • 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 --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：
--seed                              //随机数种子设置
--master-addr                       //主机地址
--master-port                       //主机端口号
--options                           //自定义选项    
--gpu-ids                           //单卡训练卡号指定
--load-from                         //权重加载
--work-dir                          //日志和模型保存目录

    训练完成后，权重文件保存在当前路径的output文件夹下，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 aACC mIoU FPS Train_Step AMP_Type Torch_Version
1p-NPU - - 8.78 1000 O2 1.8
8p-NPU 96.13 78.98 75.135 7000 O2 1.8

版本说明

变更

2023.02.20：更新readme，重新发布。

2020.07.08：首次发布。

FAQ

无。

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》