IntraDA

参考实现：

url=https://github.com/feipan664/IntraDA.git
branch=master 
commit_id=070b0b702fe94a34288eba4ca990410b5aaadc4a

IntraDA Detail

增加了混合精度训练
增加了多卡分布式训练
优化了loss在NPU上的计算效率

Requirements

CANN 5.0.2
torch
apex
安装依赖 pip3.7 install -r requirements.txt

注：pillow建议安装较新版本，与之对应的torchvision版本如果无法直接安装，可使用源码安装对应的版本，源码参考链接：https://github.com/pytorch/vision ,建议Pillow版本是9.1.0 torchvision版本是0.6.0

安装ADVENT
```
cd IntraDA/ADVENT
pip3 install -e .
```
下载CityScapes数据集
在IntraDA/ADVENT目录下创建data文件夹，将数据集按照如下结构放入data目录：
```
  |-- ADVENT
  |   |-- data
  |   |   `-- Cityscapes
  |   |       |-- gtFine
  |   |       `-- leftImg8bit
```
下载以下两个预训练模型：
ImageNet预训练模型：
https://ascend-pytorch-model-file.obs.cn-north-4.myhuaweicloud.com/交付件/cv/semantic_segmentation/IntraDA/DeepLab_resnet_pretrained_imagenet.pth
ADVENT warmup模型：
https://ascend-pytorch-model-file.obs.cn-north-4.myhuaweicloud.com/交付件/cv/semantic_segmentation/IntraDA/gta2cityscapes_advent.pth 在IntraDA/ADVENT目录下创建pretrained_models文件夹，将以上2个模型放入改文件夹，目录结构如下：
```
|-- ADVENT
|   |-- pretrained_models
|   |   |-- DeepLab_resnet_pretrained_imagenet.pth
|   |   `-- gta2cityscapes_advent.pth
```
生成训练用的伪标签及数据集分组文件：
```
cd IntraDA/entropy_rank/
bash gen_color_mask_npu.sh
```

Training

cd IntraDA/intrada

# 1p train perf 运行 500 step， 输出 performance_1p.log 文件
bash test/train_performance_1p.sh

# 8p train perf 运行 500 step， 输出 performance_8p.log 文件
bash test/train_performance_8p.sh

# 8p train full 完整训练并保存checkpoints，中间不会测试
bash test/train_full_8p.sh

# eval 测试8p训练保存的 checkpoints 得到精度信息
bash test/train_eval_8p.sh

IntraDA training result

mIoU	FPS	Npu_nums	Epochs	AMP_Type
	2.7	1	-	O2
42.55	21	8	-	O2

公网地址说明

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