mindspore_unet模型訓練——ascend310推理

mindspore_ascend910環境模型訓練

unet源碼鏈接：https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/unet

git clone https://gitee.com/mindspore/mindspore.git

1、上傳數據集： 選用Multi-Class 數據集格式，通過固定的目錄結構獲取圖片和對應標簽數據。 在同一個目錄中保存原圖片及對應標簽，其中圖片名為 “image.png”，標簽名為 “mask.png”。

通過在config中的split參數將所有的圖片分為訓練集和驗證集，split 默認為 0.8。

2、修改config\scriptes\yaml文件中參數，然后訓練：

cd mindspore/model_zoo/official/cv/unet vi src/model_utils/config.py 修改123行 parser.add_argument("--config_path", type=str, default=os.path.join(current_dir, "../../unet_nested_cell_config.yaml"), help="Config file path") vi scripts/run_standalone_train.sh 修改45行 python3 ${PROJECT_DIR}/../train.py --data_path=$DATASET --config_path=$CONFIG_PATH --output './output'> train.log 2>&1 & bash scripts/run_standalone_train.sh [DATASET] [CONFIG_PATH] vi unet_nested_cell_config.yaml 修改yaml中相關數據 data_path: "./dataset/train/" output_path: "./unet_xw_1" image_size : [256, 256] num_classes: 10 #Eval options keep_checkpoint_max: 10 eval_activate: "Softmax" eval_resize: False checkpoint_path: "./checkpoint/" checkpoint_file_path: "./mindspore/model_zoo/official/cv/unet/unet_xw_1/checkpoint/ckpt_0/ckpt_unet_nested_adam-13_864000.ckpt" rst_path: "./result_Files/" result_path: "./preprocess_Result" # Export options width: 256 height: 256 file_name: "unet" file_format: "AIR"

3、開始訓練

bash scripts/run_standalone_train.sh /root/unet/dataset/train/newTrain/ unet_nested_cell_config.yaml

訓練結果：

在./unet_xw_1/checkpoint/ckpt_0/ckpt_unet_nested_adam-20_864000.ckpt

訓練日志：

run_standalone_train.sh會在后臺運行訓練，日志保存在train.log中

4、訓練結果loss未收斂，排查后修改優化器解決

vi train.py 修改110行 optimizer = nn.Adam(params=net.trainable_params(), learning_rate=lr, weight_decay=config.weight_decay, loss_scale=config.loss_scale) 為 optimizer = nn.SGD(params=net.trainable_params(), learning_rate=lr, weight_decay=config.weight_decay, loss_scale=config.loss_scale)

再次訓練loss已經正常

5、評估

bash scripts/run_standalone_eval.sh /root/unet/dataset/train/newTrain/ /home/bear/mindspore/model_zoo/official/cv/unet/unet_xw_1/checkpoint/ckpt_0/ckpt_unet_nested_adam-20_864000.ckpt unet_nested_cell_config.yaml

single dice coeff is: 0.9500709528038528, IOU is: 0.904890626029476

6、模型導出

執行python3 export.py 加載unet_nested_cell_config.yaml中Export options

得到相關格式的模型

7、導出air模型atc轉換om后在ascend310環境推理

atc --model=./unet.air --framework=1 --output=./unet --soc_version=Ascend310 --log=debug

pyacl推理

得到分割圖片

8、或者導出mindir格式的模型，直接調用mindspore接口編譯推理

將unet.mindir模型放在ascend310_infer路徑下

執行推理腳本

cd scripts bash run_infer_310.sh unet++ ../ascend310_infer/unet.mindir 0 n

工程build時需要用到cmake3.14.1或更高版本，直接下載最新版即可

#cmake官網（https://cmake.org/download/）下載release版本的源碼包（Source distributions） https://github.com/Kitware/CMake/releases/download/v3.21.2/cmake-3.21.2.tar.gz tar zxvf cmake-3.21.1.tar.gz cd cmake-3.21.1 ./bootstrap #時間較長，大約5分鐘 make -j8 sudo make install 安裝檢查 cmake --version 如果報錯 -bash: /usr/bin/cmake: No such file or directory cp ./bin/cmake /usr/bin/

編譯報錯

解決辦法

wget https://github.com/gflags/gflags/archive/v2.2.2.tar.gz --no-check-certificate tar -zxvf v2.2.2.tar.gz cd gflags-2.2.2/ mkdir build cd build export CXXFLAGS=-D_GLIBCXX_USE_CXX11_ABI=0 cmake .. -DBUILD_SHARED_LIBS=ON make -j10 sudo make install

再次推理，遇到protobuf鏈接庫的問題

解決辦法：多次排查，最終升級mindspore1.2.1為mindspore1.3.0及配套cann解決。

mindspore升級版本文檔鏈接：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=139738

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。