drpengsong / paddleseg Goto Github PK

简体中文 | English

• 🔥 2022.4.26-28 每晚8:30【产业级语义分割应用实践】三日直播课 🔥

  • 26日：高精度轻量级图像分割算法的产业实践
    • 图像分割产业应用场景剖析
    • 速度精度完美均衡的SOTA算法PP-LiteSeg分享
    • 汽车金属垫片缺陷检测实战
  • 27日：高精度通用抠图算法介绍
    • 精度SOTA的通用抠图算法PP-Matting介绍
    • 产业级部署Demo应用实践（端测、服务端）
  • 28日：医疗3D图像分割工具介绍
    • 端到端3D图像分割工具MedicalSeg产品介绍
    • 速度提升40%的3D图像高效推理方案

  赶紧扫码报名上车吧！!

  

• [2022-04-20] 🔥 PaddleSeg 2.5版本发布！详细发版信息请参考Release Note。
  • 发布超轻量级语义分割模型PP-LiteSeg以及技术报告，实现精度和速度的最佳平衡。
  • 发布高精度trimap-free抠图模型PP-Matting以及技术报告，在Composition-1K和Distinctions-646上实现SOTA指标。
  • 发布3D医疗影像开发套件MedicalSeg，支持数据预处理、模型训练、模型部署等全流程开发，并提供肺部、椎骨数据上的高精度分割模型。
  • 升级智能标注工具EISeg v0.5版，新增X-Ray胸腔标注、MRI椎骨标注、铝板瑕疵标注。
  • 新增5个经典分割模型, 包括多个版本的PP-LiteSeg，总模型数达到45个。
• [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-HumanSeg，以及大规模视频会议数据集PP-HumanSeg14K。
• [2021-10-11] PaddleSeg 2.3版本发布交互式分割工具EISeg v0.3，开源两种Matting算法，以及分割高阶功能模型蒸馏和模型量化方案。

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。

• 提供语义分割、交互式分割、全景分割、Matting四大图像分割能力。

• 广泛应用在自动驾驶、医疗、质检、巡检、娱乐等场景。

• 高精度模型：基于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80+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40+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。

• 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。
• 欢迎加入PaddleSeg 微信群

模型结构和骨干网络的代表模型在Cityscapes数据集mIoU和FLOPs对比图。请参见Model Zoo Overview了解更多模型信息以及对比图。

• 安装

• 全流程跑通PaddleSeg

• 准备数据集

  • 标注数据的准备
  • 数据标注教程
  • 自定义数据集

• 模型训练

• 模型评估

• 预测与可视化

• 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

• 模型压缩

  • 量化
  • 蒸馏
  • 裁剪

• API使用教程

  • API文档说明
  • API应用案例

• 重要模块说明

  • 数据增强
  • Loss说明

• 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

• 静态图版本

• 技术交流

• 常见问题汇总

• 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

• 图像分割套件PaddleSeg全面解析系列
• PaddleSeg学习笔记: 人像分割 HumanSeg

本项目的发布受Apache 2.0 license许可认证。

• 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 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。

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}
}