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
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
数据预处理（按需处理所需要的数据集）。
获取预训练模型
创建文件夹。
snapshots/PraNet_Res2Net/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.pthPraNet-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
进入解压后的源码包根目录。
cd /${模型文件夹名称}运行训练脚本。
# training 1p accuracy bash ./test/train_full_1p.sh --train_path=./data/TrainDataset # training 1p performance bash ./test/train_performance_1p.sh --train_path=./data/TrainDataset # training 8p accuracy bash ./test/train_full_8p.sh --train_path=./data/TrainDataset # training 8p performance bash ./test/train_performance_8p.sh --train_path=./data/TrainDataset # finetuning bash test/train_finetune_1p.sh --train_path=./data/TrainDataset # online inference demo python3 demo.py--train_path以用户数据集实际存放路径为准。
日志路径:
test/output/devie_id/train_${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