DeepLabV3 for PyTorch

• 概述
• 准备训练环境
• 开始训练
• 训练结果展示
• 版本说明

概述

DeepLabv3是在DeepLabv1、DeepLabv2的基础上发展而来，DeepLab系列主要围绕空洞卷积、全连接条件随机场（Fully-connected Conditional Random Field (CRF)）以及ASPP展开讨论。DeepLabv3重新考虑了空洞卷积的使用，增加了多尺度分割物体的模块，同时改进了ASPP模块。

• 参考实现：

  url=https://github.com/open-mmlab/mmsegmentation.git
  commit_id=e64548fda0221ad708f5da29dc907e51a644c345
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitcode.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/dev/perf/DeepLabV3_for_PyTorch
  

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。

  1、使用 NPU 设备源码编译安装 mmcv-full。

  • 创建MMCV目录，拉取MMCV 源码

  git clone https://github.com/open-mmlab/mmcv.git
  

  • 编译

  MMCV_WITH_OPS=1 MAX_JOBS=8 FORCE_NPU=1 python3 setup.py build_ext
  

  • 安装

  MMCV_WITH_OPS=1 FORCE_NPU=1 python3 setup.py develop
  

  2、安装 MMEngine。

  pip3 install mmengine==0.7.3
  

  3、安装 MMSegmentation

  下载MMSegmentation源码包:

  git clone -b main https://github.com/open-mmlab/mmsegmentation.git
  

  进入MMSegmentation目录，执行以下语句：

  git checkout e64548fda0221ad708f5da29dc907e51a644c345
  pip3 install -e .
  

准备数据集

1. 获取数据集。

   请用户自行获取原始数据集cityscapes，并在DeepLabV3_for_PyTorch目录新建data文件夹，将下载好的数据集上传至该目录DeepLabV3_for_PyTorch/data。

   数据集目录结构参考如下所示。

   $ DeepLabV3_for_PyTorch
       ├── data
       │   └── cityscapes
       │       ├── leftImg8bit
       │       │   ├── train
       │       │   ├── val
       │       │   └── test
       │       └── gtFine
       │           ├── train
       │           ├── val
       │           └── test
       └── ... 
   

   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DeepLabV3_for_PyTorch目录。

   cd ./DeepLabV3_for_PyTorch
   

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               # 单卡精度
          
     bash ./test/train_performance_1p.sh        # 单卡性能
     

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh               # 8卡精度
     
     bash ./test/train_performance_8p.sh        # 8卡性能
     

   模型训练脚本参数说明如下:

   公共参数：
   --use_npu_fused_sgd                         // 是否使用NpuFusedSGD, 默认值false
   

   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	mIoU	FPS	iters	AMP_Type	Torch_Version
1p-竞品A	-	13.6	40000	O2	1.8
8p-竞品A	78.09	78.2	40000	O2	1.8
8p-竞品A	77.47	62.4	40000	O0	1.8
1p-NPU	-	11.6	40000	O2	1.8
8p-NPU	78.56	86.6	40000	O2	1.8

版本说明

变更

2023.05.15: 更新训练结果。 2023.05.05: 首次发布。

FAQ

无。