设为首页收藏本站
开启辅助访问
PaddleSeg: 官方paddleseg 您所在的位置：网站首页 › 全景分割评估 › PaddleSeg: 官方paddleseg

PaddleSeg: 官方paddleseg

2024-01-15 18:23| 来源: 网络整理| 查看: 265

简体中文 | English

飞桨高性能图像分割开发套件，端到端完成从训练到部署的全流程图像分割应用。

License Version python version support os stars

最新动态 [2023-02-27] :fire: PaddleSeg集成高性能、全场景模型部署方案FastDeploy，欢迎参考指南试用（注意切换成develop分支）。 [2022-11-30] :fire: PaddleSeg 2.7版本发布！详细发版信息请参考Release Note。 发布实时人像抠图模型PP-MattingV2：推理速度提升44.6%，平均误差减小17.91%，完美超越此前SOTA模型，支持零成本开箱即用。 发布3D医疗影像分割方案MedicalSegV2：涵盖3D医疗影像交互式标注工具EISeg-Med3D、3个高精分割模型，集成并优化前沿分割方案nnUNet-D。 官方发布轻量级语义分割模型RTFormer：由百度提出并发表于NeurIPS 2022，在公开数据集上实现SOTA性能。 [2022-07-20] PaddleSeg 2.6版本发布实时人像分割SOTA方案PP-HumanSegV2、高性能智能标注工具EISeg v1.0正式版、ImageNet分割伪标签数据预训练方法PSSL，开源PP-MattingV1代码和预训练模型。 [2022-04-20] PaddleSeg 2.5版本发布超轻量级语义分割模型PP-LiteSeg，高精度抠图模型PP-MattingV1，3D医疗影像开发套件MedicalSegV1，交互式分割工具EISeg v0.5。 [2022-01-20] PaddleSeg 2.4版本发布交互式分割工具EISeg v0.4，超轻量级人像分割方案PP-HumanSegV1，以及大规模视频会议数据集PP-HumanSeg14K。 简介

PaddleSeg是基于飞桨PaddlePaddle的端到端图像分割套件，内置45+模型算法及140+预训练模型，支持配置化驱动和API调用开发方式，打通数据标注、模型开发、训练、压缩、部署的全流程，提供语义分割、交互式分割、Matting、全景分割四大分割能力，助力算法在医疗、工业、遥感、娱乐等场景落地应用。

特性

高精度：跟踪学术界的前沿分割技术，结合高精度训练的骨干网络，提供40+主流分割网络、140+的高质量预训练模型，效果优于其他开源实现。

高性能：使用多进程异步I/O、多卡并行训练、评估等加速策略，结合飞桨核心框架的显存优化功能，大幅度减少分割模型的训练开销，让开发者更低成本、更高效地完成图像分割训练。

模块化：源于模块化设计思想，解耦数据准备、分割模型、骨干网络、损失函数等不同组件，开发者可以基于实际应用场景出发，组装多样化的配置，满足不同性能和精度的要求。

全流程：打通数据标注、模型开发、模型训练、模型压缩、模型部署全流程，经过业务落地的验证，让开发者完成一站式开发工作。

技术交流 如果大家有PaddleSeg的使用问题和功能建议, 可以通过GitHub Issues提issue。 欢迎加入PaddleSeg的微信用户群👫（扫码填写简单问卷即可入群），大家可以领取30G重磅学习大礼包🎁，也可以和值班同学、各界大佬直接进行交流。 🔥 获取深度学习视频教程、图像分割论文合集 🔥 获取PaddleSeg的历次直播视频，最新发版信息和直播动态 🔥 获取PaddleSeg自建的人像分割数据集，整理的开源数据集 🔥 获取PaddleSeg在垂类场景的预训练模型和应用合集，涵盖人像分割、交互式分割等等 🔥 获取PaddleSeg的全流程产业实操范例，包括质检缺陷分割、抠图Matting、道路分割等等 产品矩阵 模型 组件 特色案例 语义分割模型 PP-LiteSeg DeepLabV3P OCRNet MobileSeg ANN Att U-Net BiSeNetV1 BiSeNetV2 CCNet DANet DDRNet DecoupledSeg DeepLabV3 DMNet DNLNet EMANet ENCNet ENet ESPNetV1 ESPNetV2 FastFCN Fast-SCNN GCNet GINet GloRe GSCNN HarDNet HRNet-FCN HRNet-Contrast ISANet PFPNNet PointRend PotraitNet PP-HumanSeg-Lite PSPNet PSSL SegFormer SegMenter SegNet SETR SFNet STDCSeg U2Net UNet UNet++ UNet3+ UperNet RTFormer UHRNet TopFormer MscaleOCRNet-PSA 交互式分割模型 EISeg RITM EdgeFlow 图像抠图模型 PP-MattingV2 PP-MattingV1 DIM MODNet PP-HumanMatting 全景分割 Panoptic-DeepLab 骨干网络 HRNet ResNet STDCNet MobileNetV2 MobileNetV3 ShuffleNetV2 GhostNet LiteHRNet XCeption VIT MixVIT Swin Transformer 损失函数 Binary CE Loss Bootstrapped CE Loss Cross Entropy Loss Relax Boundary Loss Detail Aggregate Loss Dice Loss Edge Attention Loss Focal Loss MultiClassFocal Loss GSCNN Dual Task Loss KL Loss L1 Loss Lovasz Loss MSE Loss OHEM CE Loss Pixel Contrast CE Loss Point CE Loss RMI Loss Connectivity Loss 评估指标 mIoU Accuracy Kappa Dice AUC_ROC 支持数据集 ADE20K Cityscapes COCO Stuff Pascal VOC EG1800 Pascal Context SUPERVISELY OPTIC DISC SEG CHASE_DB1 HRF DRIVE STARE PP-HumanSeg14K PSSL 数据增强 Flipping Resize ResizeByLong ResizeByShort LimitLong ResizeRangeScaling ResizeStepScaling Normalize Padding PaddingByAspectRatio RandomPaddingCrop RandomCenterCrop ScalePadding RandomNoise RandomBlur RandomRotation RandomScaleAspect RandomDistort RandomAffine 模型选型工具 PaddleSMRT 人像分割模型 PP-HumanSegV1 PP-HumanSegV2 3D医疗分割模型 VNet UNETR nnFormer nnUNet-D TransUNet SwinUNet Cityscapes打榜模型 HMSA CVPR冠军模型 MLA Transformer 领域自适应 PixMatch 产业级分割模型库 高精度语义分割模型 高精度模型，分割mIoU高、推理算量大，适合部署在服务器端GPU和Jetson等设备。 模型名称 骨干网络 Cityscapes精度mIoU(%) V100 TRT推理速度(FPS) 配置文件 FCN HRNet_W18 78.97 24.43 yml FCN HRNet_W48 80.70 10.16 yml DeepLabV3 ResNet50_OS8 79.90 4.56 yml DeepLabV3 ResNet101_OS8 80.85 3.2 yml DeepLabV3 ResNet50_OS8 80.36 6.58 yml DeepLabV3 ResNet101_OS8 81.10 3.94 yml OCRNet :star2: HRNet_w18 80.67 13.26 yml OCRNet HRNet_w48 82.15 6.17 yml CCNet ResNet101_OS8 80.95 3.24 yml

测试条件：

V100上测速条件：针对Nvidia GPU V100，使用PaddleInference预测库的Python API，开启TensorRT加速，数据类型是FP32，输入图像维度是1x3x1024x2048。 轻量级语义分割模型 轻量级模型，分割mIoU中等、推理算量中等，可以部署在服务器端GPU、服务器端X86 CPU和移动端ARM CPU。 模型名称 骨干网络 Cityscapes精度mIoU(%) V100 TRT推理速度(FPS) 骁龙855推理速度(FPS) 配置文件 PP-LiteSeg :star2: STDC1 77.04 69.82 17.22 yml PP-LiteSeg :star2: STDC2 79.04 54.53 11.75 yml BiSeNetV1 - 75.19 14.67 1.53 yml BiSeNetV2 - 73.19 61.83 13.67 yml STDCSeg STDC1 74.74 62.24 14.51 yml STDCSeg STDC2 77.60 51.15 10.95 yml DDRNet_23 - 79.85 42.64 7.68 yml HarDNet - 79.03 30.3 5.44 yml SFNet ResNet18_OS8 78.72 10.72 - yml

测试条件：

V100上测速条件：针对Nvidia GPU V100，使用PaddleInference预测库的Python API，开启TensorRT加速，数据类型是FP32，输入图像维度是1x3x1024x2048。 骁龙855上测速条件：针对小米9手机，使用PaddleLite预测库的CPP API，ARMV8编译，单线程，输入图像维度是1x3x256x256。 超轻量级语义分割模型 超轻量级模型，分割mIoU一般、推理算量低，适合部署在服务器端X86 CPU和移动端ARM CPU。 模型名称 骨干网络 Cityscapes精度mIoU(%) V100 TRT推理速度(FPS) 骁龙855推理速度(FPS) 配置文件 MobileSeg MobileNetV2 73.94 67.57 27.01 yml MobileSeg :star2: MobileNetV3 73.47 67.39 32.90 yml MobileSeg Lite_HRNet_18 70.75 10.5 13.05 yml MobileSeg ShuffleNetV2_x1_0 69.46 37.09 39.61 yml MobileSeg GhostNet_x1_0 71.88 35.58 38.74 yml

测试条件：

V100上测速条件：针对Nvidia GPU V100，使用PaddleInference预测库的Python API，开启TensorRT加速，数据类型是FP32，输入图像维度是1x3x1024x2048。 骁龙855上测速条件：针对小米9手机，使用PaddleLite预测库的CPP API，ARMV8编译，单线程，输入图像维度是1x3x256x256。 使用教程

入门教程

安装说明 快速体验 20分钟快速上手PaddleSeg 模型库

基础教程

准备数据集

准备公开数据集 准备自定义数据集 EISeg 数据标注

准备配置文件

模型训练

模型评估

模型预测

模型导出

导出预测模型 导出ONNX模型

模型部署

Paddle Inference部署(Python) Paddle Inference部署(C++) Paddle Lite部署 Paddle Serving部署 Paddle JS部署 推理Benchmark

进阶教程

训练技巧

模型压缩

量化 蒸馏 裁剪

常见问题汇总

欢迎贡献

API文档 二次开发教程 配置文件详解 如何创造自己的模型 模型贡献 提交PR说明 模型PR规范 特色能力 交互式分割 图像抠图 人像分割 3D医疗分割 Cityscapes打榜模型 全景分割 CVPR冠军模型 领域自适应 产业实践范例 使用PP-HumanSegV2进行人像分割 使用PP-HumanSegV1进行人像分割 使用PP-LiteSeg进行遥感道路分割 PaddleSeg实战之小数据集3D椎骨分割 PaddleSeg实战之车道线图像分割 PaddleSeg动态图API使用教程 10分钟上手PaddleSeg 车路协同：交互式分割技术在智慧建图中的应用和实践 基于PaddleSeg的美甲预览机 许可证书

本项目的发布受Apache 2.0 license许可认证。

社区贡献 非常感谢jm12138贡献U2-Net模型。 非常感谢zjhellofss（傅莘莘）贡献Attention U-Net模型，和Dice loss损失函数。 非常感谢liuguoyu666贡献U-Net++模型。 非常感谢yazheng0307 (刘正)贡献快速开始教程文档。 非常感谢CuberrChen贡献STDC (rethink BiSeNet) PointRend，和 Detail Aggregate损失函数。 非常感谢stuartchen1949贡献 SegNet。 非常感谢justld(郎督)贡献 UPerNet, DDRNet, CCNet, ESPNetV2, DMNet, ENCNet, HRNet_W48_Contrast, BiSeNetV1, FastFCN, SECrossEntropyLoss 和PixelContrastCrossEntropyLoss。 非常感谢Herman-Hu-saber(胡慧明)参与贡献 ESPNetV2。 非常感谢zhangjin12138贡献数据增强方法 RandomCenterCrop。 非常感谢simuler 贡献 ESPNetV1。 非常感谢ETTR123(张恺) 贡献 ENet，PFPNNet。 学术引用

如果我们的项目在学术上帮助到你，请考虑以下引用：

@misc{liu2021paddleseg, title={PaddleSeg: A High-Efficient Development Toolkit for Image Segmentation}, author={Yi Liu and Lutao Chu and Guowei Chen and Zewu Wu and Zeyu Chen and Baohua Lai and Yuying Hao}, year={2021}, eprint={2101.06175}, archivePrefix={arXiv}, primaryClass={cs.CV} } @misc{paddleseg2019, title={PaddleSeg, End-to-end image segmentation kit based on PaddlePaddle}, author={PaddlePaddle Authors}, howpublished = {\url{https://github.com/PaddlePaddle/PaddleSeg}}, year={2019} }


【本文地址】

公司简介

联系我们

今日新闻

    推荐新闻

    专题文章
      CopyRight 2018-2019 实验室设备网 版权所有