概述

简述

UNet在生物医学图像分割领域，得到了广泛的应用。 它是完全对称的，且对解码器（应该自Hinton提出编码器、解码器的概念来， 即将图像->高语义feature map的过程看成编码器，高语义->像素级别的分类score map的过程看作解码器） 进行了加卷积加深处理。

• 参考实现：

  url=https://github.com/4uiiurz1/pytorch-nested-unet
  commit_id=557ea02f0b5d45ec171aae2282d2cd21562a633e

• 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	torchvision==0.2.2.post3
  PyTorch 1.8	torchvision==0.9.1

• 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。

准备数据集

1. 用户自行获取 data-science-bowl-2018 数据集。
2. 上传数据集在源码包根目录下新建的 inputs 文件夹下并解压。
3. 数据集需要执行预处理，在源码包根目录下执行

   python3.7 preprocess_dsb2018.py

   数据集目录结构参考如下所示。

   inputs
   └── data-science-bowl-2018
       ├── stage1_train
       |   ├── 00ae65...
       │   │   ├── images
       │   │   │   └── 00ae65...
       │   │   └── masks
       │   │       └── 00ae65...            
       │   ├── ...
       |
   ...

   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/path} # 单卡精度
     bash ./test/train_performance_1p.sh --data_path={data/path} # 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/path} # 8卡精度
     bash ./test/train_performance_8p.sh --data_path={data/path} # 8卡性能

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --data_path={data/path} # 8卡评测

   --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：
   --device_id             //训练设备卡号
   --data_path             //数据集路径
   --optimizer             //优化器
   --epochs                //训练重复次数
   --batch_size            //训练批次大小
   --lr                    //初始学习率
   多卡训练参数：
   --device                //训练设备
   --num_gpus              //训练设备数量
   --rank_id               //训练设备卡号

   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	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	823	1	-	1.5
8p-竞品V	83.91	2332	100	-	1.5
1p-NPU	-	231.15	1	O2	1.8
8p-NPU	83.31	2070.295	100	O2	1.8

版本说明

变更

2022.12.20：整改readme，重新发布。

FAQ

无。