PaddleSeg是基于PaddlePaddle开发的端到端图像分割开发套件,覆盖了DeepLabv3+, U-Net, ICNet, PSPNet, HRNet, Fast-SCNN等主流分割网络。通过模块化的设计,以配置化方式驱动模型组合,帮助开发者更便捷地完成从训练到部署的全流程图像分割应用。
基于百度视觉技术部的实际业务经验,内置10+种数据增强策略,可结合实际业务场景进行定制组合,提升模型泛化能力和鲁棒性。
支持U-Net, DeepLabv3+, ICNet, PSPNet, HRNet, Fast-SCNN六种主流分割网络,结合预训练模型和可调节的骨干网络,满足不同性能和精度的要求;选择不同的损失函数如Dice Loss, Lovasz Loss等方式可以强化小目标和不均衡样本场景下的分割精度。
PaddleSeg支持多进程I/O、多卡并行等训练加速策略,结合飞桨核心框架的显存优化功能,可大幅度减少分割模型的显存开销,让开发者更低成本、更高效地完成图像分割训练。
全面提供服务端和移动端的工业级部署能力,依托飞桨高性能推理引擎和高性能图像处理实现,开发者可以轻松完成高性能的分割模型部署和集成。通过Paddle-Lite,可以在移动设备或者嵌入式设备上完成轻量级、高性能的人像分割模型部署。
PaddleSeg提供丰富地产业实践案例,如人像分割、工业表计检测、遥感分割、人体解析,工业质检等产业实践案例,助力开发者更便捷地落地图像分割技术。
版本要求
由于图像分割模型计算开销大,推荐在GPU版本的PaddlePaddle下使用PaddleSeg.
pip install -U paddlepaddle-gpu
同时请保证您参考NVIDIA官网,已经正确配置和安装了显卡驱动,CUDA 9,cuDNN 7.3,NCCL2等依赖,其他更加详细的安装信息请参考:PaddlePaddle安装说明。
git clone https://github.com/PaddlePaddle/PaddleSeg
通过以下命令安装python包依赖,请确保在该分支上至少执行过一次以下命令:
cd PaddleSeg
pip install -r requirements.txt
我们提供了一系列的使用教程,来说明如何使用PaddleSeg完成语义分割模型的训练、评估、部署。
这一系列的文档被分为快速入门、基础功能、预测部署、高级功能四个部分,四个教程由浅至深地介绍PaddleSeg的设计思路和使用方法。
我们在AI Studio平台上提供了在线体验的教程,欢迎体验:
在线教程 | 链接 |
---|---|
快速开始 | 点击体验 |
U-Net图像分割 | 点击体验 |
DeepLabv3+图像分割 | 点击体验 |
工业质检(零件瑕疵检测) | 点击体验 |
人像分割 | 点击体验 |
PaddleSeg特色垂类模型 | 点击体验 |
A: 可能是pip源的问题,这种情况下建议切换为官方源,或者通过pip install -r requirements.txt -i
指定其他源地址。
A: 更详细数据增强文档可以参考数据增强
A: 启动训练脚本时通过命令行覆盖TRAIN.RESUME_MODEL_DIR配置为模型checkpoint目录即可, 以下代码示例第100轮重新恢复训练:
python pdseg/train.py --cfg xxx.yaml TRAIN.RESUME_MODEL_DIR /PATH/TO/MODEL_CKPT/100
A: 降低Batch size,使用Group Norm策略;请注意训练过程中当DEFAULT_NORM_TYPE
选择bn
时,为了Batch Norm计算稳定性,batch size需要满足>=2
微信公众号 官方技术交流QQ群
2020.05.12
v0.5.0
2020.02.25
v0.4.0
2019.12.15
v0.3.0
2019.11.04
v0.2.0
2019.09.10
v0.1.0
我们非常欢迎您为PaddleSeg贡献代码或者提供使用建议。如果您可以修复某个issue或者增加一个新功能,欢迎给我们提交Pull Requests.
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。