Skip to content

Latest commit

 

History

History
161 lines (119 loc) · 7.69 KB

README_CN.md

File metadata and controls

161 lines (119 loc) · 7.69 KB
Raw

简体中文 | English

PaddleSeg

Build Status License Version python version support os

近期活动

PaddleSeg团队将举办主题为《产业图像分割应用与实战》的两日课向大家分析在交互式智能标注工具和精细化分割Matting方向的研究工作。

PaddleSeg发布2.3版本，欢迎体验

  • PaddleSeg团队发表人像分割论文PP-HumanSeg，并开源连通性学习（SCL）方法和大规模视频会议数据集。
  • PaddleSeg团队发表交互式分割论文EdgeFlow，升级了交互式分割工具EISeg。
  • 开源两种Matting算法，经典方法DIM，和实时性方法MODNet，实现精细化人像分割。
  • 发布图像分割高阶功能，模型蒸馏和模型量化方案，进一步提升模型的部署效率。

PaddleSeg介绍

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。

  • PaddleSeg提供了语义分割、交互式分割、全景分割、Matting四大图像分割能力。

  • PaddleSeg被广泛地应用在自动驾驶、医疗、质检、巡检、娱乐等场景。

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20+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。

技术交流

  • 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PaddleSegQQ群

模型库总览

更多信息参见Model Zoo Overview

使用教程

实践案例

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。

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}
}