简体中文 | English

PaddleSeg

[2021-02-26] PaddleSeg发布2.0动态图正式版。静态图已经被移至legacy子目录下。更多信息请查看详细更新日志。

PaddleSeg是基于飞桨PaddlePaddle开发的端到端图像分割开发套件，涵盖了高精度和轻量级等不同方向的大量高质量分割模型。通过模块化的设计，提供了配置化驱动和API调用两种应用方式，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。

特性

• 高精度模型：基于百度自研的半监督标签知识蒸馏方案（SSLD）训练得到高精度骨干网络，结合前沿的分割技术，提供了50+的高质量预训练模型，效果优于其他开源实现。

• 模块化设计：支持15+主流 分割网络 ，结合模块化设计的 数据增强策略 、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，组装多样化的训练配置，满足不同性能和精度的要求。

• 高性能：支持多进程异步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，可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。

模型库

数据集

• Cityscapes
• Pascal VOC
• ADE20K
• Pascal Context
• COCO stuff

安装

1. 安装PaddlePaddle

版本要求

• PaddlePaddle >= 2.0.0

• Python >= 3.6+

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。推荐安装10.0以上的CUDA环境。安装教程请见PaddlePaddle官网。

2. 安装PaddleSeg

支持用API调用的方式构建定制化的分割框架，灵活开发。

pip install paddleseg

3. 下载PaddleSeg仓库

支持用配置化驱动的方式完成全流程分割应用，简单快捷。

git clone https://github.com/PaddlePaddle/PaddleSeg

4. 验证安装

运行以下命令，如果可以正常进行训练，说明您已经安装成功。

python train.py --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml

使用教程

• 快速入门
• API使用教程
• 数据集准备
• 配置项
• Loss使用
• API参考
• 添加新组件
• 模型压缩
• 模型导出

实践案例

• 人像分割HumanSeg
• Cityscapes SOTA

联系我们

• 如果你发现任何PaddleSeg存在的问题或者是建议, 欢迎通过GitHub Issues给我们提issues。
• 同时欢迎加入PaddleSeg技术交流群：1004738029 (QQ群3) 或者 850378321（QQ群1已满）或者793114768（QQ群2已满）。

代码贡献

• 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，geoyee贡献U-Net++和U-Net3+模型。
• 非常感谢yazheng0307 (刘正)贡献快速入门文档。

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}
}