VNet for PyTorch

概述

简述

V-Net是一个早期的全卷积的三维图像分割网络，基本网络架构与2D图像分割网络U-Net相似，为了处理3D医学图像，采用了3D卷积模块和3D转置卷积模块。

• 参考实现：

  url=https://github.com/mattmacy/vnet.pytorch
  commit_id=a00c8ea16bcaea2bddf73b2bf506796f70077687
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitcode.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. 获取数据集。

   请用户自行获取原始数据集，可选用开源数据集LUNA16，将数据集上传到服务器任意路径下并解压。

   以LUNA16数据集为例，数据集目录结构参考如下所示。

   ├── LUNA16
         ├──lung_ct_image
              ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd                    
              ├──...                     
         ├──seg-lungs-LUNA16
              ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd
              ├──...    
         ├──normalized_lung_ct
              ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd                    
              ├──...                     
         ├──normalized_lung_mask
              ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd
              ├──...                                      
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

2. 数据预处理。

   cd /${模型文件夹名称}
   python3 normalize_dataset.py data_path vox_spacing Z_MAX Y_MAX X_MAX  # data_path参数填写实际数据集路径
   
   示例：python normalize_dataset.py /data/xxx/LUNA16 2.5 128 160 160
   

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

   --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：
   --data                              //数据集路径
   --seed                              //随机种子
   --workers                           //加载数据进程数      
   --lr                                //初始学习率
   --lr_decay                          //学习率衰减
   --weight_decay                      //权重衰减
   --device                            //设备，默认：'npu'
   --nEpochs                           //重复训练次数
   --batchSz                           //训练批次大小
   --amp                               //是否使用混合精度
   --loss-scale                        //混合精度loss scale大小
   --opt-level                         //混合精度类型
   --device_id                         //设置训练卡ID
   

   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	Error rate	FPS	Epochs	AMP_Type	Torch_Version
1p-NPU	-	38.79	1	O2	1.8
8p-NPU	0.428%	218.50	200	O2	1.8

版本说明

变更

2023.03.15：更新readme，重新发布。

2020.07.08：首次发布。

FAQ

无。