mmsegmentation 在华为昇腾 NPU 上的训练实践环境搭建、多卡启动与模型精度参考【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentation导读本文聚焦 OpenMMLab 语义分割工具箱 mmsegmentation 在华为昇腾AscendNPU 设备上的训练方案从 MMCV 在 NPU 上的安装构建开始给出单卡与多卡tools/dist_train.sh两种启动方式并结合 tools/train.py 与 tools/dist_train.sh 的源码拆解命令背后的执行逻辑最后完整整理官方在 NPU 上验证过的 11 个分割模型Cityscapes 数据集的 mIoU 精度表。读完本文你将掌握在 NPU 环境中正确启动 mmsegmentation 训练任务、复用现有配置、以及按精度表挑选合适模型的具体方法。一、NPU 支持背景设备抽象与 MMCV 构建mmsegmentation 本身不直接封装昇腾算子的调用而是依赖底层训练框架 MMCV 与 MMEngine 提供的设备抽象层。从仓库源码看mmseg 目录下的模型、数据集、评测代码均以标准 PyTorch API 编写例如 mmseg/models/backbones 中的 ResNet、HRNet、ICNet 等实现因此只要底层 MMCV 能够在昇腾 NPU 上正确构建并注册torch.npu设备后端mmsegmentation 的既有训练流程即可无缝迁移到 NPU 上运行。因此在 NPU 上使用 mmsegmentation 的第一步不是修改任何 mmsegmentation 配置而是按照 MMCV 官方提供的“在昇腾 NPU 机器上构建 mmcv-full”的安装文档完成 NPU 环境下的 MMCV 编译安装。需要特别注意的是MMCV 的构建方式与运行环境CANN 版本、Python 版本、PyTorch 版本强相关请以当前使用的 MMCV 版本对应文档为准构建完成后建议用一个最小的模型前向/训练脚本验证torch.npu可用再进入 mmsegmentation 的训练环节。二、单卡训练一条命令启动安装好 NPU 版 MMCV 后即可使用单张 NPU 卡直接启动训练。以 DeepLabV3 ResNet-50 在 Cityscapes 上的经典配置为例python tools/train.py configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py该配置对应的完整定义位于 configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py其结构继承了四份基础配置基础配置路径作用模型定义configs/base/models/deeplabv3_r50-d8.pyResNetV1c-50 骨干 ASPP 解码头 FCN 辅助头SyncBN归一化19 类数据集configs/base/datasets/cityscapes.pyCityscapes 训练/验证流水线、batch_size2、IoU 评测调度策略configs/base/schedules/schedule_40k.pySGD PolyLR迭代式训练 40000 iters每 4000 iter 验证运行时configs/base/default_runtime.py日志、checkpoint、可视化、分布式后端等默认行为关于tools/train.py的启动逻辑源码中几个关键行为值得说明工作目录work_dir优先级--work-dir命令行参数 配置内work_dir字段 默认的./work_dirs/配置文件名见 tools/train.py混合精度开关--amp当传入--amp时脚本会检查cfg.optim_wrapper.type——若配置已使用AmpOptimWrapper则给出提示否则要求当前为OptimWrapper并将类型切换为AmpOptimWrapper、loss_scale置为dynamic见 tools/train.py。这与 NPU 上常用的 AMP 训练方式直接相关Runner 构建若配置中设置了runner_type则通过RUNNERS.build(cfg)构建自定义 Runner否则走默认的Runner.from_cfg(cfg)见 tools/train.py。三、多卡训练4 张 NPU 并行启动当单卡显存或训练吞吐无法满足需求时可借助仓库自带的分布式启动脚本使用多张 NPU 并行训练。官方在 NPU 上的标准用法是bash tools/dist_train.sh configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py 4其中第二个参数4表示本次使用的 NPU 卡数。查看 tools/dist_train.sh 的实现可以明确其内部机制脚本通过环境变量NNODES默认 1、NODE_RANK默认 0、PORT默认 29500、MASTER_ADDR默认 127.0.0.1配置分布式集群参数实际调用的是python -m torch.distributed.launch --nproc_per_node$GPUS ...即以pytorch为 launcher 启动 tools/train.py传入--launcher pytorch后tools/train.py中的args.launcher会被写入cfg.launcherMMEngine 据此完成进程组初始化之后训练在配置好的多卡环境下并行执行。需要注意若需要多机训练通过NNODES、NODE_RANK、MASTER_ADDR等环境变量进行扩展即可无需改动脚本脚本末尾的${:3}支持透传tools/train.py的其他参数如--amp、--resume、--work-dir、--cfg-options例如bash tools/dist_train.sh configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py 4 --amp使用torch.distributed.launch时PyTorch 2.0 及以上版本传入的--local-rank参数已被 tools/train.py 兼容同时接受--local_rank与--local-rank两种写法。四、NPU 上的模型精度参考Cityscapes以下为官方在昇腾 NPU 上实测的分割模型精度全部基于 Cityscapes 数据集、以 mIoU%为指标。各模型对应的配置文件均已存在于当前仓库可在对应目录下直接复现训练模型mIoU配置文件deeplabv378.85configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.pydeeplabv3plus79.23configs/deeplabv3plus/deeplabv3plus_r50-d8_4xb2-40k_cityscapes-512x1024.pyhrnet78.1configs/hrnet/fcn_hr18_4xb2-40k_cityscapes-512x1024.pyfcn74.15configs/fcn/fcn_r50-d8_4xb2-40k_cityscapes-512x1024.pyicnet69.25configs/icnet/icnet_r50-d8_4xb2-80k_cityscapes-832x832.pypspnet77.21configs/pspnet/pspnet_r50b-d8_4xb2-80k_cityscapes-512x1024.pyunet68.86configs/unet/unet-s5-d16_fcn_4xb4-160k_cityscapes-512x1024.pyupernet77.81configs/upernet/upernet_r50_4xb2-40k_cityscapes-512x1024.pyapcnet78.02configs/apcnet/apcnet_r50-d8_4xb2-40k_cityscapes-512x1024.pybisenetv176.04configs/bisenetv1/bisenetv1_r50-d32_4xb4-160k_cityscapes-1024x1024.pybisenetv272.44configs/bisenetv2/bisenetv2_fcn_4xb4-amp-160k_cityscapes-1024x1024.py从表中可以观察到的规律精度表现与模型结构基本一致以 ASPP 为核心的 DeepLabV3/DeepLabV378.85 / 79.23与上下文聚合类模型 APCNET78.02、HRNet78.1处于第一梯队轻量实时模型的取舍ICNet69.25、BiSeNetV272.44、UNet68.86精度相对较低适合对速度更敏感的场景上游来源上表所列模型均由华为昇腾团队在 NPU 上验证并提供其训练日志与权重由 OpenMMLab 官方渠道发布。五、注意事项AMP 精度一致性文档中明确说明除特殊标注外NPU 上使用 AMP自动混合精度训练的结果与 GPU 上 FP32 训练的结果基本一致。因此如果你的显存/卡资源受限在 NPU 上开启--amp是一个低风险的加速选项——上表中的 BiSeNetV2 配置本身就是amp版本见 configs/bisenetv2/bisenetv2_fcn_4xb4-amp-160k_cityscapes-1024x1024.py复现条件上表精度对应各自配置中的数据集路径默认data/cityscapes/见 configs/base/datasets/cityscapes.py、迭代次数与 batch 设置复现时请保持配置一致仅替换为你本地的数据路径评测指标所有模型均使用IoUMetric的mIoU指标评测见 configs/base/datasets/cityscapes.py与表格口径一致环境前提NPU 训练依赖正确的 CANN 与 MMCV 构建产物请务必先完成第一节中的环境安装验证再执行第二节、第三节的训练命令。六、小结在 mmsegmentation 中使用昇腾 NPU 训练核心路径是构建 NPU 版 MMCV → 使用现成配置单卡训练python tools/train.py config或通过 tools/dist_train.sh 多卡并行bash tools/dist_train.sh config gpus。由于 mmsegmentation 的模型与数据流水线完全基于标准 PyTorch 实现NPU 迁移几乎不涉及业务代码改动上文的 11 个模型精度表则为 NPU 场景下的模型选型提供了直接的参考依据。若需进一步调整训练细节可结合--amp、--work-dir、--cfg-options等参数在 tools/train.py 的支持范围内灵活定制。【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentation创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
mmsegmentation 在华为昇腾 NPU 上的训练实践环境搭建、多卡启动与模型精度参考【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentation导读本文聚焦 OpenMMLab 语义分割工具箱 mmsegmentation 在华为昇腾AscendNPU 设备上的训练方案从 MMCV 在 NPU 上的安装构建开始给出单卡与多卡tools/dist_train.sh两种启动方式并结合 tools/train.py 与 tools/dist_train.sh 的源码拆解命令背后的执行逻辑最后完整整理官方在 NPU 上验证过的 11 个分割模型Cityscapes 数据集的 mIoU 精度表。读完本文你将掌握在 NPU 环境中正确启动 mmsegmentation 训练任务、复用现有配置、以及按精度表挑选合适模型的具体方法。一、NPU 支持背景设备抽象与 MMCV 构建mmsegmentation 本身不直接封装昇腾算子的调用而是依赖底层训练框架 MMCV 与 MMEngine 提供的设备抽象层。从仓库源码看mmseg 目录下的模型、数据集、评测代码均以标准 PyTorch API 编写例如 mmseg/models/backbones 中的 ResNet、HRNet、ICNet 等实现因此只要底层 MMCV 能够在昇腾 NPU 上正确构建并注册torch.npu设备后端mmsegmentation 的既有训练流程即可无缝迁移到 NPU 上运行。因此在 NPU 上使用 mmsegmentation 的第一步不是修改任何 mmsegmentation 配置而是按照 MMCV 官方提供的“在昇腾 NPU 机器上构建 mmcv-full”的安装文档完成 NPU 环境下的 MMCV 编译安装。需要特别注意的是MMCV 的构建方式与运行环境CANN 版本、Python 版本、PyTorch 版本强相关请以当前使用的 MMCV 版本对应文档为准构建完成后建议用一个最小的模型前向/训练脚本验证torch.npu可用再进入 mmsegmentation 的训练环节。二、单卡训练一条命令启动安装好 NPU 版 MMCV 后即可使用单张 NPU 卡直接启动训练。以 DeepLabV3 ResNet-50 在 Cityscapes 上的经典配置为例python tools/train.py configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py该配置对应的完整定义位于 configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py其结构继承了四份基础配置基础配置路径作用模型定义configs/base/models/deeplabv3_r50-d8.pyResNetV1c-50 骨干 ASPP 解码头 FCN 辅助头SyncBN归一化19 类数据集configs/base/datasets/cityscapes.pyCityscapes 训练/验证流水线、batch_size2、IoU 评测调度策略configs/base/schedules/schedule_40k.pySGD PolyLR迭代式训练 40000 iters每 4000 iter 验证运行时configs/base/default_runtime.py日志、checkpoint、可视化、分布式后端等默认行为关于tools/train.py的启动逻辑源码中几个关键行为值得说明工作目录work_dir优先级--work-dir命令行参数 配置内work_dir字段 默认的./work_dirs/配置文件名见 tools/train.py混合精度开关--amp当传入--amp时脚本会检查cfg.optim_wrapper.type——若配置已使用AmpOptimWrapper则给出提示否则要求当前为OptimWrapper并将类型切换为AmpOptimWrapper、loss_scale置为dynamic见 tools/train.py。这与 NPU 上常用的 AMP 训练方式直接相关Runner 构建若配置中设置了runner_type则通过RUNNERS.build(cfg)构建自定义 Runner否则走默认的Runner.from_cfg(cfg)见 tools/train.py。三、多卡训练4 张 NPU 并行启动当单卡显存或训练吞吐无法满足需求时可借助仓库自带的分布式启动脚本使用多张 NPU 并行训练。官方在 NPU 上的标准用法是bash tools/dist_train.sh configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py 4其中第二个参数4表示本次使用的 NPU 卡数。查看 tools/dist_train.sh 的实现可以明确其内部机制脚本通过环境变量NNODES默认 1、NODE_RANK默认 0、PORT默认 29500、MASTER_ADDR默认 127.0.0.1配置分布式集群参数实际调用的是python -m torch.distributed.launch --nproc_per_node$GPUS ...即以pytorch为 launcher 启动 tools/train.py传入--launcher pytorch后tools/train.py中的args.launcher会被写入cfg.launcherMMEngine 据此完成进程组初始化之后训练在配置好的多卡环境下并行执行。需要注意若需要多机训练通过NNODES、NODE_RANK、MASTER_ADDR等环境变量进行扩展即可无需改动脚本脚本末尾的${:3}支持透传tools/train.py的其他参数如--amp、--resume、--work-dir、--cfg-options例如bash tools/dist_train.sh configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py 4 --amp使用torch.distributed.launch时PyTorch 2.0 及以上版本传入的--local-rank参数已被 tools/train.py 兼容同时接受--local_rank与--local-rank两种写法。四、NPU 上的模型精度参考Cityscapes以下为官方在昇腾 NPU 上实测的分割模型精度全部基于 Cityscapes 数据集、以 mIoU%为指标。各模型对应的配置文件均已存在于当前仓库可在对应目录下直接复现训练模型mIoU配置文件deeplabv378.85configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.pydeeplabv3plus79.23configs/deeplabv3plus/deeplabv3plus_r50-d8_4xb2-40k_cityscapes-512x1024.pyhrnet78.1configs/hrnet/fcn_hr18_4xb2-40k_cityscapes-512x1024.pyfcn74.15configs/fcn/fcn_r50-d8_4xb2-40k_cityscapes-512x1024.pyicnet69.25configs/icnet/icnet_r50-d8_4xb2-80k_cityscapes-832x832.pypspnet77.21configs/pspnet/pspnet_r50b-d8_4xb2-80k_cityscapes-512x1024.pyunet68.86configs/unet/unet-s5-d16_fcn_4xb4-160k_cityscapes-512x1024.pyupernet77.81configs/upernet/upernet_r50_4xb2-40k_cityscapes-512x1024.pyapcnet78.02configs/apcnet/apcnet_r50-d8_4xb2-40k_cityscapes-512x1024.pybisenetv176.04configs/bisenetv1/bisenetv1_r50-d32_4xb4-160k_cityscapes-1024x1024.pybisenetv272.44configs/bisenetv2/bisenetv2_fcn_4xb4-amp-160k_cityscapes-1024x1024.py从表中可以观察到的规律精度表现与模型结构基本一致以 ASPP 为核心的 DeepLabV3/DeepLabV378.85 / 79.23与上下文聚合类模型 APCNET78.02、HRNet78.1处于第一梯队轻量实时模型的取舍ICNet69.25、BiSeNetV272.44、UNet68.86精度相对较低适合对速度更敏感的场景上游来源上表所列模型均由华为昇腾团队在 NPU 上验证并提供其训练日志与权重由 OpenMMLab 官方渠道发布。五、注意事项AMP 精度一致性文档中明确说明除特殊标注外NPU 上使用 AMP自动混合精度训练的结果与 GPU 上 FP32 训练的结果基本一致。因此如果你的显存/卡资源受限在 NPU 上开启--amp是一个低风险的加速选项——上表中的 BiSeNetV2 配置本身就是amp版本见 configs/bisenetv2/bisenetv2_fcn_4xb4-amp-160k_cityscapes-1024x1024.py复现条件上表精度对应各自配置中的数据集路径默认data/cityscapes/见 configs/base/datasets/cityscapes.py、迭代次数与 batch 设置复现时请保持配置一致仅替换为你本地的数据路径评测指标所有模型均使用IoUMetric的mIoU指标评测见 configs/base/datasets/cityscapes.py与表格口径一致环境前提NPU 训练依赖正确的 CANN 与 MMCV 构建产物请务必先完成第一节中的环境安装验证再执行第二节、第三节的训练命令。六、小结在 mmsegmentation 中使用昇腾 NPU 训练核心路径是构建 NPU 版 MMCV → 使用现成配置单卡训练python tools/train.py config或通过 tools/dist_train.sh 多卡并行bash tools/dist_train.sh config gpus。由于 mmsegmentation 的模型与数据流水线完全基于标准 PyTorch 实现NPU 迁移几乎不涉及业务代码改动上文的 11 个模型精度表则为 NPU 场景下的模型选型提供了直接的参考依据。若需进一步调整训练细节可结合--amp、--work-dir、--cfg-options等参数在 tools/train.py 的支持范围内灵活定制。【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentation创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
