数据集cityscapes 放置于data目录下, 下载链接:https://paddleseg.bj.bcebos.com/dataset/cityscapes.tar
通过 --fp16 开启amp训练。
单机单卡使用如下命令进行训练:
export CUDA_VISIBLE_DEVICES=0
python train.py --config benchmark/hrnet.yml --iters 2000 --log_iters 10 --fp16
单机多卡使用如下命令进行训练:
export CUDA_VISIBLE_DEVICES=0,1
python -m paddle.distributed.launch train.py --config benchmark/hrnet.yml --iters 2000 --log_iters 10 --fp16
# fleet开启多卡训练
fleetrun train.py --config benchmark/hrnet.yml --iters 2000 --log_iters 10 --fp16
DeepLabv3+ 模型的配置文件为: benchmark/deeplabv3p.yml
注意
- 动态图中batch_size设置为每卡的batch_size
- DeepLabv3+ 支持通过传入 --data_format NHWC进行‘NHWC’数据格式的训练。
数据集cityscapes 放置于legacy/dataset目录下
通过 MODEL.FP16 True 开启amp训练 单机单卡使用如下命令进行训练:
cd legacy
export CUDA_VISIBLE_DEVICES=0
python pdseg/train.py --cfg configs/hrnetw18_cityscapes_1024x512_215.yaml --use_gpu --use_mpio --log_steps 10 BATCH_SIZE 2 SOLVER.NUM_EPOCHS 3 MODEL.FP16 True
单机多卡使用如下命令进行训练:
export CUDA_VISIBLE_DEVICES=0,1
fleetrun pdseg/train.py --cfg configs/hrnetw18_cityscapes_1024x512_215.yaml --use_gpu --use_mpio --log_steps 10 BATCH_SIZE 4 SOLVER.NUM_EPOCHS 3 MODEL.FP16 True
deeplabv3p模型的配置文件为: configs/deeplabv3p_resnet50_vd_cityscapes.yaml
注意 静态图中的BATCH_SIZE为总的batch size。
对应竞品配置文件为:
configs/hrnet/fcn_hr18_512x1024_80k_cityscapes.py
configs/deeplabv3plus/deeplabv3plus_r50-d8_512x1024_80k_cityscapes.py
相关执行方式请参考其官方仓库。