国产GPU BI-V100在智星云上的入门应用教程(武汉智云星空网络科技有限公司怎样)

数码推荐

本文重要详细介绍怎样在智星云平台上应用国产显卡Iluvatar BI-V100跑AI模子练习,以各位比拟常见的模子为例,详细介绍了:怎样应用10个模子的支流GitHub开源完成怎样应用DeepSpark开源社区提供的65个模子,您还能应用智星云平台提供的数据集,便利您疾速起始

模子支流GitHub开源完成DeepSpark开源社区更新日期WideResNet示例一:WideResNet2022VGG16示例二:VGG16示例十五:VGG162022ResNet50示例三:ResNet50

示例十一:ResNet502022GoogLeNet示例四:GoogLeNet示例三十三:GoogLeNet2022NeRF示例五:NeRF2022Yolov5示例六:Yolov5示例十三:Yolov5

2022BERT示例七:Bert-Base示例十二:BERT2022TTSR示例八:TTSR2022SSD示例九:SSD2022Mobilenet/Mobilenetv2示例十:Mobilenet/Mobilenetv2

示例三十七:Mobilenetv22022Deeplabv3示例十四:Deeplabv32022Shufflenet示例十六:Shufflenet2022Tacotron2示例十七:Tacotron22022

Conformer示例十八:Conformer2022FairMOT示例十九:FairMOT20223D-UNet示例二十:3D-UNet2022CPM示例二十一:CPM2022T5示例二十二:T52022

ConvNext示例二十三:ConvNext2022RetinaNet示例二十四:RetinaNet2022ACmix示例二十五:ACmix2022AlexNet示例二十六:AlexNet2022DenseNet

示例二十七:DenseNet2022DPN92示例二十八:DPN922022DPN107示例二十九:DPN1072022ECA_MobileNet_V2示例三十:ECA_MobileNet_V22022

ECA_RESNET152示例三十一:ECA_RESNET1522022Efficientb4示例三十二:Efficientb42022InceptionV3示例三十四:InceptionV32022InceptionV4

示例三十五:InceptionV42022LeNet示例三十六:Lenet2022MobileNetv3示例三十八:Mobilenetv32022ResNeSt14示例三十九:ResNeSt142023.1.3

ResNeSt101示例四十:ResNeSt1012023.1.3ResNeSt269示例四十一:ResNeSt2692023.1.3ResNeSt50示例四十二:ResNeSt502023.1.28ResNet101

示例四十三:ResNet1012023.1.28ResNet152示例四十四:ResNet1522023.1.28ResNet18示例四十五:ResNet182023.1.28ResNeXt101_32x8d

示例四十六:ResNeXt101_32x8d2023.1.28ResNeXt50_32x4d示例四十七:ResNeXt50_32x4d2023.1.28Xception示例四十八:Xception2023.1.28

SEResNeXt示例四十九:SEResNeXt2023.1.28SqueezeNet示例五十:SqueezeNet2023.1.28Swin_Transformer示例五十一:Swin_Transformer

2023.1.28Wave-MLP示例五十二:Wave-MLP2023.2.7Wide_Resnet101_2示例五十三:Wide_Resnet101_22023.2.7PVANet示例五十四:PVANet

2023.2.7Faster R-CNN示例五十五:Faster R-CNN2023.2.13BiSeNet示例五十六:BiSeNet2023.2.13HRNet示例五十七:HRNet2023.2.13

CGNet示例五十八:CGNet2023.2.20ContextNet示例五十九:ContextNet2023.2.20DabNet示例六十:DabNet2023.2.20DANet示例六十一:DANet

2023.2.28DFANet示例六十二:DFANet2023.2.28DenseASPP示例六十三:DenseASPP2023.2.28DUNet示例六十四:DUNet2023.3.6EncNet示例六十五:EncNet

2023.3.6ENet示例六十六:ENet2023.3.6ERFNet示例六十七:ERFNet2023.3.15ESPNet示例六十八:ESPNet2023.3.15FastSCNN示例六十九:FastSCNN

2023.3.15FCN示例七十:FCN2023.3.21FPENet示例七十一:FPENet2023.3.21HardNet示例七十二:HardNet2023.3.21ICNet示例七十三:ICNet

2023.3.28LedNet示例七十四:LedNet2023.3.28LinkNet示例七十五:LinkNet2023.3.28疾速起始步调1:租用天数智芯天垓100加速卡详细步调以下:a. 登录智星云网站

b. 点击算力市场c. 场景抉择国产显卡d. 依据您的须要抉择租期和GPU数目e. 点击即时租用便可起始您的天数智芯之旅注:局部机房配备了天数智芯通用GPU,仅当即时租用按钮呈现时,表现您可以在该机房租用天数智芯通用GPU。

步调2:登录到实例以SSH衔接为例,点击webSSH一键登录后,即以root用户登录到天数软件栈容器情况步调3:应用ixSMI东西查问衔接到系统的GPU择要信息示例以下:(base) root@61c59e5be79b:~ ixsmi Timestamp Wed Aug 31 17:54:50 2022 +-----------------------------------------------------------------------------+ | IX-ML: 2.2.1 Driver Version: 2.2.1 CUDA Version: 10.2 | |-------------------------------+----------------------+----------------------| | GPU Name | Bus-Id | Clock-SM Clock-Mem | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | |===============================+======================+======================| | 0 Iluvatar BI-V100 | 00000000:06:00.0 | 1500MHz 1200MHz | | 0% 32C P0 53W / 250W | 513MiB / 32768MiB | 0% Default | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: GPU Memory | | GPU PID Process name Usage(MiB) | |=============================================================================| | No running processes found | +-----------------------------------------------------------------------------+。

示例:练习收集模子天数智芯通用GPU兼容支流生态,支撑模子实

/pytorch-cifar10) 为例,n3 main.py

t vgg16 -gpu

号令获得收集模子并停止练习:

n.py -net resnet50 -gpu

t) 为例,您可以应用以下号令获得收集模子并停止练习:

python3 train.py -net googlenet -gpu

torch=1.11.0 torchvision>=0.9.1 imageio imageio-ffmpeg ...步调3:装置依附库:$ pip3 install -r requirements.txt

步调4:获得测试数据集:$ bash download_example_data.sh步调5:停止练习:$ python3 run_nerf.py --config configs/lego.txt示例六:Yolov5

-hard 19f33cbae29ac2127dd877b52e228c178dda6086

torch>=1.7.0 torchvision>=0.8.1 ...步调3:装置依附库:$ pip3 install -r requirements.txt步调4:停止练习:$ python3 train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt

步调5:停止测试:$ python3 detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images示例七:BERT Base

以BERT Bas/bert4torch $ cd bert4torch $ python3 setup.py install

步调2:下载数据集和预练习模子(https://githube_labeling_ner_crf.py

中预练习模子门路和数据门路步调3:停止练习:$ python3 task_sequence_labeling_ner_crf.py示例八:TTSR以TTSR

t $ cd TTSR步调2:下载预练习好的收集模子TTSR-rec.pt

或TTSR.pt并响应修正test.sh文件中model_path的值(详见https://github.com/researchmm/TTSRmodel)步调3:停止测试:$ sh test.sh The results are in "save_dir" (default: ./test/demo/output)

步调4:停止评价: Prepare CUFED dataset and modify "dataset_dir" in eval.sh Download pre-trained models and modify "model_path" in eval.sh $ sh eval.sh The results are in "save_dir" (default: ./eval/CUFED/TTSR)

步调5:停止练习: Prepare CUFED dataset and modify "dataset_dir" in train.sh $ sh train.sh The training results are in "save_dir" (default: ./train/CUFED/TTSR)

示例九:SSD以 $ cd SSD

,删除或解释掉torch相关的依附,比方:

torch>=1.3 torchvision>=0.3 ...步调3:装置依附库:$ pip3 install -r requirements.txt步调4:下载Pascal VOC 或 COCO数据集,

VOC_ROOT/COCO_ROOT的默许值是以后名目的dataset 文件夹,你可创立指向dataset的链接步调5:停止练习: for example, train SSD300: $ python3 train.py --config-file configs/vgg_ssd300_coco_trainval35k.yaml

pytorch-cifar100.git

ar100.git $ python3 train.py -net mobilenet -gpu or python3 train.py -net mobilenetv2 –gpu

堆栈,您也可以应用

et50步调1:筹备数据集:。

$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获sparkhub/cv/classification/resnet50/pytorch/

步调4:停止练习:$ bash ./scripts/fp32_1card.sh --data-path ${path_to_imagenet}示例十二:BERT步调1:筹备数据集:$ mkdir bert && cd bert 获得${path_to_bert}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/bert/bert_config.json $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/bert/model.ckpt-28252.apex.pt $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/bert/2048_shards_uncompressed.tar.gz $ tar xf 2048_shards_uncompressed.tar.gz $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/bert/eval_set_uncompressed.tar.gz $ tar xf eval_set_uncompressed.tar.gz

步调2:获得DeepSpark堆栈:$ git clone https://gih/

步调4:停止练习:$ bash init.sh $ CUDA_VISIBLE_DEVICES=0 DATA=${path_to_bert} bash train_bert_pretraining_amp_dist.sh

示例十三:Yolov5步调1:筹备数据集:$ mkdir coco && cd coco 获得${path_to_coco}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/coco/coco.zip $ unzip coco.zip

步调2:获arkhub/cv/detection/yolov5/pytorch/

步调4:装置依附:$ pip3 install -r requirements.txt步调5:修正数据集门路:$ vim data/coco.yaml Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: ${path_to_coco} train: ${path_to_coco}/train2017.txt val: ${path_to_coco}/val2017.txt test: ${path_to_coco}/test-dev2017.txt

步调6:停止练习:$ python3 train.py --data ./data/coco.yaml --batch-size 32 --cfg ./models/yolov5m.yaml示例十四:Deeplabv3

步调1:筹备数据集:$ mkdir coco2017 && cd coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/coco2017/coco2017.zip $ unzip coco2017.zip

d deepsparkhub/cv/semantic_segmentation/deeplabv3/pytorch/

步调4:装置依附:$ pip3 install scipy matplotlib opencv-python easydict tqdm $ pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple pycocotools

步调5:停止练习:$ bash train_deeplabv3_r50_dist.sh --data-path ${path_to_coco2017} --dataset coco示例十五:VGG16步调1:筹备数据集:

$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获hub/cv/classification/vgg/pytorch

步调4:修正练习剧本:$ vim train_vgg16_amp_dist.sh起初,修正数据集门路,指向步调1创立的${path_to_imagenet}:if [ -z "$IMAGENETTE" ];then DATA_PATH=${DATA_PATH:-"${path_to_imagenet}"}

而后,将batch-size改成128,这是为了防止GPU呈现out of memory情形,修正后应以下所示:python3 $PYTHONARG ${ROOT_DIR}/run_train.py / --model vgg16 --dali --dali-cpu --data-path $DATA_PATH / --opt fused_sgd --batch-size 128 --lr 1e-2 / --amp --nhwc "$@"

步调5:停止练习:``` $ CUDA_VISIBLE_DEVICES=0 bash train_vgg16_amp_dist.sh ```示例十六:Shufflenet步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

b.git步调3:进入Shufflenet模子地点门路:$ cd deepsparkhub/cv/classification/shufflenetv2/pytorch

步调4:修正练习剧本:$ vim train_shufflenet_v2_x2_0_amp_dist.sh起初,修正数据集门路,指向步调1创立的${path_to_imagenet}:if [ -z "$IMAGENETTE" ];then DATA_PATH=${DATA_PATH:-"${path_to_imagenet}"}

而后,将batch-size改成128,这是为了防止GPU呈现out of memory情形,修正后应以下所示:python3 $PYTHONARG ${ROOT_DIR}/run_train.py / --batch-size 128 --data-path $DATA_PATH / --lr=0.5 --dali --dali-cpu --amp --nhwc / --lr 0.1 --dali --dali-cpu --amp --nhwc / --auto-augment=ta_wide --random-erase=0.1 --weight-decay=0.00002 / --crop-size=176 --crop-size=232 --model shufflenet_v2_x2_0 "$@"

步调5:停止练习:$ CUDA_VISIBLE_DEVICES=0 bash train_shufflenet_v2_x2_0_amp_dist.sh示例十七:Tacotron2步调1:获得DeepSpark堆栈:

ark/deepsparkhub.git步调2:进入Tacotron2模子地点门路并装置依附:$ cd deepsparkhub/speech/speech_synthesis/tacotron2/pytorch $ pip3 install -r requirements.txt

步调3:在以后目次下筹备数据集:$ wget http://datasets.blockelite.cn/76.BI-V100-dataset/Tacotron2/LJSpeech-1.1.tar.gz $ tar xf LJSpeech-1.1.tar.gz

步调4:创立输入及日记文件夹:$ mkdir outdir logdir步调5:停止练习:$ python3 train.py --output_directory=outdir --log_directory=logdir --target_val_loss=0.5

arkhub.git步调2:进入Conformer模子地点门路并装置依附:

$ cd deepsparkhub/speech/speech_recognition/conformer/pytorch $ pip3 install -r requirements.txt步调3:筹备数据集:

$ mkdir -p data/ $ cd data/ $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/conformer/data_aishell.tgz $ tar xf data_aishell.tgz $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/conformer/resource_aishell.tgz $ tar xf resource_aishell.tgz $ cd data_aishell/wav $ for tar in *.tar.gz; do tar xvf $tar; done

步调4:修正练习剧本:$ cd deepsparkhub/speech/speech_recognition/conformer/pytorch $ vim run.sh起初,修正练习应用的GPU卡数,改成应用一张GPU卡(GPU id默许为0)停止练习,修正后应以下所示:

export CUDA_VISIBLE_DEVICES="0,1,2,3,4,5,6,7" export CUDA_VISIBLE_DEVICES="0"而后,对数据集门路停止以下修正: data=/export/data/asr-data/OpenSLR/33/ data=./data/

步调5:筹备练习数据:$ bash run.sh --stage 0 --stop-stage 0步调6:提取cmvn特点:$ bash run.sh --stage 1 --stop-stage 1步调7:对label tokens停止编码天生字典:

$ bash run.sh --stage 2 --stop-stage 2步调8:依照WeNet对数据格局的请求筹备数据:$ bash run.sh --stage 3 --stop-stage 3步调9:练习神经收集:

$ bash run.sh --stage 4 --s

步调2:进入FairMOT模子地点门路并装置依附:$ cd deepsparkhub/cv/tracking/fairmot/pytorch $ pip3 install -r requirements.txt

步调3:筹备数据集:$ mkdir -p data/MOT $ cd data/MOT $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/MOT17/MOT17.zip $ unzip MOT17.zip $ mkdir MOT17/images && mkdir MOT17/labels_with_ids $ mv ./MOT17/train ./MOT17/images/ && mv ./MOT17/test ./MOT17/images/ $ cd ../../ $ python3 src/gen_labels_17.py

步调4:筹备预练习模子:$ mkdir -p models EVRT/view

步调5:停止练习:$ GPU_NUMS=1 bash train_dla34_mot17.sh --gpus 0 --batch_size 18示例二十:3D-UNet步调1:筹备数据集:$ mkdir kits19 && cd kits19 获得${path_to_kits19}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/kits19/kits19.tar.gz $ tar xf kits19.tar.gz

步调2:获得DeepSpark堆栈:$ gitc_segmentation/unet3d/pytorch

步调4:修正练习剧本:$ vim train.sh修正数据集门路,指向步调1创立的${path_to_kits19}:$ CUDA_VISIBLE_DEVICES=0 python3 -u main.py / --data_dir ${path_to_kits19}/train / --epochs ${MAX_EPOCHS} /

rk/deepsparkhub.git

步调2:进入CPM模子地点门路并装置依附:$ cd deepsparkhub/nlp/dialogue_generation/cpm/pytorch/ $ apt install -y numactl步调3:创立

/home/data/perf/cpm目次,下载数据集和预练习模子:$ pip3 install gdown $ mkdir -p /home/data/perf/cpm $ cd /home/data/perf/cpm $ gdown -O "STC.json" --fuzzy htlite.cn/76.BI-V100-dataset/CPM/model-v2.tar.gz $ tar xf model-v2.tar.gz

步调4:停止练习:$ cd deepsparkhub/nlp/dialogue_generation/cpm/pytorch/base/ $ python3 prepare.py --name iluvatar --data_dir /home/data/perf/cpm $ bash run_training.sh --name iluvatar --config V100x1x1 --data_dir /home/data/perf/cpm

it步调2:进入T5模子地点门路并装置依附:

$ cd deepsparkhub/nlp/translation/t5/pytorch/ $ bash examples_ix/init_torch.sh步调3:停止练习:$ bash examples_ix/train_t5_small_torch.sh

示例二十三:ConvNext步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https:/ext/pytorch/ $ pip3 install timm==0.4.5 tensorboardX six

步调4:停止练习:$ python3 -m torch.distributed.launch --nproc_per_node=1 main.py / --model convnext_tiny / --drop_path 0.1 / --batch_size 128 / --lr 4e-3 / --update_freq 4 / --model_ema true / --model_ema_eval true / --data_path ${path_to_imagenet} / --output_dir ${path_to_save_results}

示例二十四:RetinaNet步调1:筹备数据集:$ mkdir coco2017 && cd coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/coco2017/coco2017.zip $ unzip coco2017.zip

进入RetinaNet模子地点门路装置依附:

$ cd deepsparkhub/cv/detection/retinanet/pytorch/ $ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm

步调4:停止练习:$ python3 train.py --data-path ${path_to_coco2017} --dataset coco示例二十五:ACmix步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

t步调3:进入ACmix模子地点门路装置依附:$ cd deepsparkhub/cv/classificatiocmix/pytorch/ $ pip3 install termcolor==1.1.0 yacs==0.1.8 timm==0.4.5

步调4:停止练习:$ bash run.sh 1 acmix_swin_small_patch4_window7_224.yaml ${path_to_imagenet}示例二十六:AlexNet步调1:筹备数据集:

$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

:进入AlexNet模子地点门路:$ cd deepsparkhub/cv/classificatiolexnet/pytorch/start_scripts/

步调4:停止练习:$ bash train_alexnet_torch.sh --data-path ${path_to_imagenet}示例二十七:DenseNet步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https://gitee.com/deep-spark/deepsparkhub.git步调3:进入DenseNet模子地点门路:$ cd deepsparkhub/cv/classification/densenet/pytorch

步调4:停止练习:$ python3 train.py --data-path ${path_to_imagenet} --model densenet201 --batch-size 128示例二十八:DPN92

步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步psparkhub/cv/classification/dpn92/pytorch

步调4:停止练习:$ python3 run_train.py --model dpn92 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 128

示例二十九:DPN107步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone/dpn107/pytorch

步调4:停止练习:$ python3 run_train.py --model dpn107 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 64

示例三十:ECA_MobileNet_V2步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https://gitee.com/deep-spark/deepsparkhub.git步调3:进入ECA_MobileNet_V2模子地点门路:

$ cd deepsparkhub/cv/classification/eca_mobilenet_v2/pytorch步调4:停止练习:$ python3 run_train.py --model eca_mobilenet_v2 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 64

示例三十一:ECA_RESNET152步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https

$ cd deepsparkhub/cv/classification/eca_resnet152/pytorch步调4:停止练习:$ python3 run_train.py --model eca_resnet152 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 64

示例三十二:Efficientb4步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone httpsefficientb4/pytorch

步调4:停止练习:$ python3 train.py --data-path ${path_to_imagenet} --model efficientnet_b4 --batch-size 128示例三十三:GoogLeNet

步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

骤3:进入GoogLeNet模子地点门路:$ cd deepsparkhub/cv/classification/googlenet/pytorch

步调4:停止练习:$ python3 train.py --data-path ${path_to_imagenet} --model googlenet --batch-size 512示例三十四:InceptionV3

步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git cification/inceptionv3/pytorch

步调4:停止练习:$ python3 run_train.py --model inception_v3 --dali --dali-cpu --data-path ${path_to_imagenet} --opt sgd --batch-size 300 --lr 1e-2 --crop-size 299 --amp --nhwc

示例三十五:InceptionV4步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

门路:$ cd deepsparkhub/cv/classification/inceptionv4/pytorch

步调4:停止练习:$ python3 run_train.py --model inceptionv4 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 256 --lr 1e-2 --crop-size 299 --base-size 299 --amp --nhwc

示例三十六:LeNet步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

-spark/deepsparkhub.git步调3:进入LeNet模子地点门路:$ cd deepsparkhub/cv/classification/lenet/pytorch

步调4:停止练习:$ python3 train.py --data-path ${path_to_imagenet} --model lenet示例三十七:MobileNetv2步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone tion/mobilenetv2/pytorch

步调4:停止练习:$ python3 run_train.py --model mobilenet_v2 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 64 --lr 0.045 --wd 0.00004 --lr-step-size 1 --lr-gamma 0.98 --amp --nhwc --deterministic

示例三十八:MobileNetv3步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

eep-spark/deepsparkhub.git步调3:进入MobileNetv3模子地点门路:$ cd deepsparkhub/cv/classification/mobilenetv3/pytorch

步调4:停止练习:$ python3 run_train.py --model mobilenet_v3_large --dali --dali-cpu --data-path ${path_to_imagenet} --opt rmsprop --batch-size 64 --lr 0.001 --wd 0.00001 --lr-step-size 2 --lr-gamma 0.973 --amp --auto-augment imagenet --random-erase 0.2

示例三十九:ResNeSt14步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https://gitee.com/deep-spark/deepsparkhub.git步调3:进入ResNeSt14模子地点门路:$ cd deepsparkhub/cv/classification/resnest14/pytorch

步调4:停止练习:$ python3 run_train.py --model resnest14 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 512 --lr 0.0125 --amp --nhwc

示例四十:ResNeSt101步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone htt/resnest101/pytorch

步调4:停止练习:$ python3 run_train.py --model resnest101 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 128 --lr 0.0125 --amp --nhwc

示例四十一:ResNeSt269步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈v/classification/resnest269/pytorch

步调4:停止练习:$ python3 run_train.py --model resnest269 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 32 --crop-size 416 --lr 0.001 --amp --nhwc --deterministic

示例四十二:ResNeSt50步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

git步调3:进入ResNeSt50模子地点门路:$ cd deepsparkhub/cv/classification/resnest50/pytorch

步调4:停止练习:$ python3 run_train.py --model resnest50 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 256 --lr 0.0125 --amp --nhwc

示例四十三:ResNet101步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

eepsparkhub.git步调3:进入ResNet101模子地点门路:$ cd deepsparkhub/cv/classification/resnet101/pytorch

步调4:停止练习:$ python3 run_train.py --model resnet101 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 300 --amp --nhwc --padding-channel

示例四十四:ResNet152步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https://gite/pytorch

步调4:停止练习:$ python3 run_train.py --model resnet152 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 256 --amp --nhwc

示例四十五:ResNet18步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https://giteetorch

步调4:停止练习:$ python3 run_train.py --model resnet18 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 1024 --amp --nhwc

示例四十六:ResNeXt101_32x8d步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone https://

$ cd deepsparkhub/cv/classification/resnext101_32x8d/pytorch步调4:停止练习:$ python3 run_train.py --model resnext101_32x8d --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 128 --deterministic --amp --nhwc

示例四十七:ResNeXt50_32x4d步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

d模子地点门路:

$ cd deepsparkhub/cv/classification/resnext50_32x4d/pytorch步调4:停止练习:$ python3 run_train.py --model resnext50_32x4d --dali --dali-cpu --data-path ${path_to_imagenet} --lr 0.08 --momentum 0.9 --wd 0.0001 --batch-size 64 --deterministic --amp --nhwc --momentum 0.875

示例四十八:Xception步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git ccation/xception/pytorch

步调4:停止练习:$ python3 train.py --data-path ${path_to_imagenet} --model xception示例四十九:SEResNeXt步调1:筹备数据集:

$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

:$ cd deepsparkhub/cv/classification/seresnext/pytorch

步调4:停止练习:$ python3 run_train.py --model seresnext101_32x4d --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 256 --amp --nhwc

示例五十:SqueezeNet步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

eNet模子地点门路:$ cd deepsparkhub/cv/classification/squeezenet/pytorch

步调4:停止练习:$ python3 train.py --data-path ${path_to_imagenet} --model squeezenet1_0 --lr 0.001示例五十一:Swin_Transformer

步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:$ git clone h

$ cd deepsparkhub/cv/classification/swin_transformer/pytorch步调4:装置依附:$ pip3 install timm==0.4.12 $ pip3 install yacs

步调5:停止练习:$ python3 -m torch.distributed.launch --nproc_per_node 1 --master_port 12345 main.py --cfg configs/swin/swin_tiny_patch4_window7_224.yaml --data-path ${path_to_imagenet} --batch-size 64

示例五十二:Wave-MLP步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获sparkhub/cv/classification/wavemlp/pytorch

步调4:装置依附:$ pip3 install thop $ pip3 install torchprofile $ pip3 install timm==0.4.5步调5:停止练习:$ python3 train.py -data-path ${path_to_imagenet} --output ./work_dir --model WaveMLP_T_dw --sched cosine --epochs 300 --opt adamw -j 8 --warmup-lr 1e-6 --mixup .8 --cutmix 1.0 --model-ema --model-ema-decay 0.99996 --aa rand-m9-mstd0.5-inc1 --color-jitter 0.4 --warmup-epochs 5 --opt-eps 1e-8 --repeated-aug --remode pixel --reprob 0.25 --amp --lr 1e-3 --weight-decay .05 --drop 0 --drop-path 0.1 -b 128 --log-interval 1

示例五十三:Wide_Resnet101_2步调1:筹备数据集:$ mkdir imagenet && cd imagenet 获得${path_to_imagenet}门路供后续步调应用 $ wget http://datasets.blockelite.cn/76.BI-V100-dataset/imagenet/imagenet.tar $ tar xf imagenet.tar

步调2:获得DeepSpark堆栈:

$ cd deepsparkhub/cv/classification/wide_resnet101_2/pytorch步调4:停止练习:$ python3 run_train.py --model wide_resnet101_2 --dali --dali-cpu --data-path ${path_to_imagenet} --opt fused_sgd --batch-size 128 --lr 1e-2 --amp --nhwc

示例五十四:PVANet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得Dkhub/cv/detection/pvanet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ python3 train.py --data-path ${path_to_coco2017} --dataset coco

示例五十五:Faster R-CNN步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ gittection/fasterrcnn/pytorch

步调4:装置依附:$ pip3 install pycocotools步调5:停止练习:$ export PYTORCH_DISABLE_VEC_KERNEL=1 $ export PT_USE_CUDNN_BATCHNORM_SPATIAL_PERSISTENT=1 $ python3 train.py --data-path ${path_to_coco2017} --dataset coco --amp --lr 0.001 --batch-size 4

示例五十六:BiSeNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone https://gisenet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_bisenet_r18_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例五十七:HRNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone https

步调4:装置依附:$ pip3 install -r requirements.txt步调5:停止练习:$ python3 ./tools/train.py --cfg ./configs/coco/w32_512_adam_lr1e-3.yaml --datadir=${path_to_coco2017} --max_epochs=2

示例五十八:CGNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

eep-spark/deepsparkhub.git步调3:进入CGNet模子地点门路:$ cd deepsparkhub/cv/semantic_segmentation/cgnet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_cgnet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例五十九:ContextNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

eep-spark/deepsparkhub.git步调3:进入ContextNet模子地点门路:$ cd deepsparkhub/cv/semantic_segmentation/contextNet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_contextnet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十:DabNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone https://gbnet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_dabnet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十一:DANet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone https://git/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_danet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十二:DFANet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone https://gitee.com/deep-spark/deepsparkhub.git步调3:进入DFANet模子地点门路:$ cd deepsparkhub/cv/semantic_segmentation/dfanet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_dfanet_xceptiona_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十三:DenseASPP步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone htttation/denseaspp/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_denseaspp_r50_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十四:DUNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ gi_segmentation/dunet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_dunet_r50_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十五:EncNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ gic_segmentation/encnet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_encnet_r50_dist.sh --data-path ${path_to_coco2017} --dataset coco```

示例六十六:ENet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:tic_segmentation/enet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_enet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十七:ERFNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git cegmentation/erfnet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_erfnet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十八:ESPNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clgmentation/espnet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_espnet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例六十九:FastSCNN步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git cegmentation/fastscnn/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_fastscnn_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例七十:FCN步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clntation/fcn/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_fcn_r50_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例七十一:FPENet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone httion/fpenet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_fpenet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例七十二:HardNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone htation/hardnet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_hardnet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例七十三:ICNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone htion/icnet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_icnet_r50_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例七十四:LedNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone hation/lednet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_lednet_dist.sh --data-path ${path_to_coco2017} --dataset coco

示例七十五:LinkNet步调1:筹备数据集:$ mkdir coco2017 && coco2017 获得${path_to_coco2017}门路供后续步调应用 $ wget http://datasets.blockelite.cn/20.COCO_2017/train2017.zip $ unzip train2017.zip

步调2:获得DeepSpark堆栈:$ git clone htation/linknet/pytorch

步调4:装置依附:$ pip3 install scipy matplotlib pycocotools opencv-python easydict tqdm步调5:停止练习:$ bash train_linknet_dist.sh --data-path ${path_to_coco2017} --dataset coco

本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 298050909@qq.com 举报,一经查实,本站将立刻删除。如若转载,请注明出处:https://www.kufox.com/smtj/2023-03-29/4140.html