模型详情
ModelZoo 主页
主页大模型模型库创空间工具库权重库ModelShow文档中心论坛交流

概述

MMsegmentation仓，使用swin-transfermer作为backbone做分割任务。

  • 参考实现：

    url=https://github.com/open-mmlab/mmsegmentation.git
tags=v0.26.0

  • 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
    硬件 1.0.16
    NPU固件与驱动 1.0.16
    CANN 5.1.RC2
    PyTorch 1.5.0

  • 环境准备指导。

    请参考《Pytorch框架训练环境准备》。

  • 请先安装好昇腾Pytorch与Apex后再进行依赖的安装。

  • 安装依赖。

    pip3 install -r requirements.txt
pip3 install -e .

  • Build MMCV。

    export MMCV_WITH_OPS=1
export MAX_JOBS=8

cd mmcv
python3 setup.py build_ext
python3 setup.py develop
pip3 list | grep mmcv
# 安装opencv-python-headless, 规避cv2引入错误
pip3 uninstall opencv-python
pip3 install opencv-python-headless

准备数据集

  1. 获取数据集。

    ADE20K数据集是2016年MIT开放的场景理解的数据集，可用于实例分割，语义分割和零部件分割。利用图像信息进行场景理解 scene understanding和 scene parsing。数据集目录结构参考如下所示。

     ADEChallengeData2016
 ├── annotations
 │   ├── training
 │   │   ├── ADE_train_00000001.png
 │   │   ├── ADE_train_00000002.png
 │   │   ├── ADE_train_00000003.png
 │   │   ├── ADE_train_00000004.png
 │   │   ├── ADE_train_00000005.png
 └── validation
 │       ├── ADE_val_00000001.png
 │       ├── ADE_val_00000002.png
 │       ├── ADE_val_00000003.png
 │       ├── ADE_val_00000004.png
 │       ├── ADE_val_00000005.png
 ├── images
 │   ├── training
 │   │   ├── ADE_train_00000001.jpg
 │   │   ├── ADE_train_00000002.jpg
 │   │   ├── ADE_train_00000003.jpg
 │   │   ├── ADE_train_00000004.jpg
 │   │   ├── ADE_train_00000005.jpg
 │   └── validation
 │       ├── ADE_val_00000001.jpg
 │       ├── ADE_val_00000002.jpg
 │       ├── ADE_val_00000003.jpg
 │       ├── ADE_val_00000004.jpg
 │       ├── ADE_val_00000005.jpg
 ├── objectInfo150.txt
 └── sceneCategories.txt

    在源码包根目录下构建数据集软链接：

    mkdir data
cd data
mkdir ade
cd ade
ln -s train_path/ADEChallengeData2016

    说明： 数据集路径'train_path'以用户自行定义的路径为准。

获取预训练模型

  1. 模型训练启动后，预训练模型会自动下载。

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 accuracy
bash ./test/train_full.sh ${CONFIG_FILE} ${NPU_NUM}

# training performance
bash ./test/train_performance.sh ${CONFIG_FILE} ${NPU_NUM}

  3. 示例：使用8卡训练"upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K"配置，得到精度和性能数据。

    # training accuracy
bash ./test/train_full.sh configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py 8

# training performance
bash ./test/train_performance.sh configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py 8

  4. 目前已支持的配置：

    configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py
configs/swin/upernet_swin_small_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py
configs/swin/upernet_swin_base_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py
configs/swin/upernet_swin_base_patch4_window12_512x512_160k_ade20k_pretrain_384x384_1K.py

日志路径:

test/output/devie_id/train_${device_id}.log           # training detail log
test/output/devie_id/MMseg_bs2_p_acc  # training performance result log
test/output/devie_id/train_MMseg_bs2_p_acc_loss   # training accuracy result log

模型训练脚本参数说明如下，以train_performance.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="MMseg"
# 训练batch_size
batch_size=2
# 训练使用的npu卡数
GPUS=$2
# 数据集路径,保持为空,不需要修改（设置软链接后，可不输入train_path=""）
train_path=""

公共参数：
--nnodes=$NNODES \                            //多级多卡训练指定机器数
--node_rank=$NODE_RANK \                      //使用卡号  
--master_addr=$MASTER_ADDR \                  //DDP主机地址
--nproc_per_node=$GPUS \                      //训练使用的npu卡数
--master_port=$PORT \                         //DDP主端口
./tools/train.py \
$CONFIG \                                     //模型配置
--launcher pytorch ${@:3}

训练结果展示

精度指标为mIoU

表 2 MMseg-Swin-Tiny训练结果展示表

NAME PT版本 精度 FPS Iters AMP_Type
1p-竞品V 1.5 - 6.12 1000 -
1p-NPU 1.5 - 6.47 1000 O1
8p-竞品V 1.5 44.41 45.72 160000 -
8p-NPU 1.5 44.07 35.40 160000 O1

表 3 MMseg-Swin-Small训练结果展示表

NAME PT版本 精度 FPS Iters AMP_Type
1p-竞品V 1.5 - 4.55 1000 -
1p-NPU 1.5 - 4.47 1000 O1
8p-竞品V 1.5 44.92 29.1 48000 -
8p-NPU 1.5 44.19 26.45 48000 O1

表 4 MMseg-Swin-Base224训练结果展示表

NAME PT版本 精度 FPS Iters AMP_Type
1p-竞品V 1.5 - 4.87 1000 -
1p-NPU 1.5 - 3.78 1000 O1
8p-竞品V 1.5 47.97 28.57 160000 -
8p-NPU 1.5 47.04 22.91 160000 O1

表 5 MMseg-Swin-Base384训练结果展示表

NAME PT版本 精度 FPS Iters AMP_Type
1p-竞品V 1.5 - 4.79 1000 -
1p-NPU 1.5 - 3.48 1000 O1
8p-竞品V 1.5 48.35 27.59 160000 -
8p-NPU 1.5 47.52 22.36 160000 O1

公网地址说明

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

版本说明

变更

2022.11.14：首次发布。

已知问题

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》
该页面对您有帮助吗？
我要评分