ckpt下載下傳 deeplabv3_PaddleSeg是基于PaddlePaddle開發的語義分割庫，覆寫了DeepLabv3+, U-Net, ICNet三類主流的分割模型...

PaddleSeg

簡介

PaddleSeg是基于PaddlePaddle開發的端到端圖像分割開發套件，覆寫了DeepLabv3+, U-Net, ICNet, PSPNet, HRNet, Fast-SCNN等主流分割網絡。通過子產品化的設計，以配置化方式驅動模型組合，幫助開發者更便捷地完成從訓練到部署的全流程圖像分割應用。

特點

豐富的資料增強

基于百度視覺技術部的實際業務經驗，内置10+種資料增強政策，可結合實際業務場景進行定制組合，提升模型泛化能力和魯棒性。

子產品化設計

支援U-Net, DeepLabv3+, ICNet, PSPNet, HRNet, Fast-SCNN六種主流分割網絡，結合預訓練模型和可調節的骨幹網絡，滿足不同性能和精度的要求；選擇不同的損失函數如Dice Loss, Lovasz Loss等方式可以強化小目标和不均衡樣本場景下的分割精度。

高性能

PaddleSeg支援多程序I/O、多卡并行等訓練加速政策，結合飛槳核心架構的顯存優化功能，可大幅度減少分割模型的顯存開銷，讓開發者更低成本、更高效地完成圖像分割訓練。

工業級部署

全面提供服務端和移動端的工業級部署能力，依托飛槳高性能推理引擎和高性能圖像處理實作，開發者可以輕松完成高性能的分割模型部署和內建。通過Paddle-Lite，可以在移動裝置或者嵌入式裝置上完成輕量級、高性能的人像分割模型部署。

産業實踐案例

PaddleSeg提供豐富地産業實踐案例，如人像分割、工業表計檢測、遙感分割、人體解析，工業質檢等産業實踐案例，助力開發者更便捷地落地圖像分割技術。

安裝

1. 安裝PaddlePaddle

版本要求

PaddlePaddle >= 1.7.0

Python >= 3.5+

由于圖像分割模型計算開銷大，推薦在GPU版本的PaddlePaddle下使用PaddleSeg.

pip install -U paddlepaddle-gpu

同時請保證您參考NVIDIA官網，已經正确配置和安裝了顯示卡驅動，CUDA 9，cuDNN 7.3，NCCL2等依賴，其他更加詳細的安裝資訊請參考：PaddlePaddle安裝說明。

2. 下載下傳PaddleSeg代碼

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

3. 安裝PaddleSeg依賴

通過以下指令安裝python包依賴，請確定在該分支上至少執行過一次以下指令：

cd PaddleSeg

pip install -r requirements.txt

使用教程

我們提供了一系列的使用教程，來說明如何使用PaddleSeg完成語義分割模型的訓練、評估、部署。

這一系列的文檔被分為快速入門、基礎功能、預測部署、進階功能四個部分，四個教程由淺至深地介紹PaddleSeg的設計思路和使用方法。

快速入門

基礎功能

預測部署

進階功能

線上體驗

我們在AI Studio平台上提供了線上體驗的教程，歡迎體驗：

線上教程

連結

快速開始

U-Net圖像分割

DeepLabv3+圖像分割

工業質檢(零件瑕疵檢測)

人像分割

PaddleSeg特色垂類模型

FAQ

Q: 安裝requirements.txt指定的依賴包時，部分包提示找不到？

A: 可能是pip源的問題，這種情況下建議切換為官方源，或者通過pip install -r requirements.txt -i指定其他源位址。

Q:圖像分割的資料增強如何配置，Unpadding, StepScaling, RangeScaling的原理是什麼？

A: 更詳細資料增強文檔可以參考資料增強

Q: 訓練時因為某些原因中斷了，如何恢複訓練？

A: 啟動訓練腳本時通過指令行覆寫TRAIN.RESUME_MODEL_DIR配置為模型checkpoint目錄即可, 以下代碼示例第100輪重新恢複訓練：

python pdseg/train.py --cfg xxx.yaml TRAIN.RESUME_MODEL_DIR /PATH/TO/MODEL_CKPT/100

Q: 預測時圖檔過大，導緻顯存不足如何處理？

A: 降低Batch size，使用Group Norm政策；請注意訓練過程中當DEFAULT_NORM_TYPE選擇bn時，為了Batch Norm計算穩定性，batch size需要滿足>=2

交流與回報

歡迎您通過Github Issues來送出問題、報告與建議

微信公衆号：飛槳PaddlePaddle

QQ群: 703252161

     

微信公衆号                官方技術交流QQ群

更新日志

2020.05.12

v0.5.0

全面更新HumanSeg人像分割模型，新增超輕量級人像分割模型HumanSeg-lite支援移動端實時人像分割處理，并提供基于光流的視訊分割後處理提升分割流暢性。

新增氣象遙感分割方案，支援積雪識别、雲檢測等氣象遙感場景。

新增Lovasz Loss，解決資料類别不均衡問題。

使用VisualDL 2.0作為訓練可視化工具

2020.02.25

v0.4.0

新增适用于實時場景且不需要預訓練模型的分割網絡Fast-SCNN，提供基于Cityscapes的預訓練模型1個

新增LaneNet車道線檢測網絡，提供預訓練模型一個

新增基于PaddleSlim的分割庫壓縮政策(量化, 蒸餾, 剪枝, 搜尋)

2019.12.15

v0.3.0

新增HRNet分割網絡，提供基于cityscapes和ImageNet的預訓練模型8個

支援使用僞彩色标簽進行訓練/評估/預測，提升訓練體驗，并提供将灰階标注圖轉為僞彩色标注圖的腳本

新增學習率warmup功能，支援與不同的學習率Decay政策配合使用

新增圖像歸一化操作的GPU化實作，進一步提升預測速度。

新增Python部署方案，更低成本完成工業級部署。

新增Paddle-Lite移動端部署方案，支援人像分割模型的移動端部署。

新增不同分割模型的預測性能資料Benchmark, 便于開發者提供模型選型性能參考。

2019.11.04

v0.2.0

新增PSPNet分割網絡，提供基于COCO和cityscapes資料集的預訓練模型4個。

新增Dice Loss、BCE Loss以及組合Loss配置，支援樣本不均衡場景下的模型優化。

支援FP16混合精度訓練以及動态Loss Scaling，在不損耗精度的情況下，訓練速度提升30%+。

支援PaddlePaddle多卡多程序訓練，多卡訓練時訓練速度提升15%+。

釋出基于UNet的工業标記表盤分割模型。

2019.09.10

v0.1.0

PaddleSeg分割庫初始版本釋出，包含DeepLabv3+, U-Net, ICNet三類分割模型, 其中DeepLabv3+支援Xception, MobileNet v2兩種可調節的骨幹網絡。

CVPR19 LIP人體部件分割比賽冠軍預測模型釋出ACE2P。

預置基于DeepLabv3+網絡的人像分割和車道線分割預測模型釋出。

貢獻代碼

我們非常歡迎您為PaddleSeg貢獻代碼或者提供使用建議。如果您可以修複某個issue或者增加一個新功能，歡迎給我們送出Pull Requests.