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。
- 丰富的数据增强
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。
- 模块化设计
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。
- 高性能
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。
- 工业级部署
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。
- 产业实践案例
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
- PaddlePaddle >= 1.7.0 and < 2.0
- Python >= 3.5+
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.
安装教程请见PaddlePaddle官网。
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。
- 自定义数据的标注与准备
- 脚本使用和配置说明
- 数据和配置校验
- 分割模型介绍
- 预训练模型下载
- DeepLabv3+模型使用教程
- U-Net模型使用教程
- ICNet模型使用教程
- PSPNet模型使用教程
- HRNet模型使用教程
- Fast-SCNN模型使用教程
- OCRNet模型使用教程
- PaddleSeg的数据增强
- PaddleSeg的loss选择
- PaddleSeg产业实践
- 多进程训练和混合精度训练
- 使用PaddleSlim进行分割模型压缩(量化, 蒸馏, 剪枝, 搜索)
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
- 欢迎您通过Github Issues来提交问题、报告与建议
- 微信公众号：飞桨PaddlePaddle
- QQ群: 703252161
微信公众号 官方技术交流QQ群
-
2020.10.28
v0.7.0-
全面支持Paddle2.0-rc动态图模式，推出PaddleSeg动态图体验版
-
发布大量动态图模型，支持11个分割模型，4个骨干网络，3个数据集：
- 分割模型：ANN, BiSeNetV2, DANet, DeeplabV3, DeeplabV3+, FCN, FastSCNN, GCNet, OCRNet, PSPNet, UNet
- 骨干网络：ResNet, HRNet, MobileNetV3, Xception
- 数据集：Cityscapes, ADE20K, Pascal VOC
-
提供高精度骨干网络预训练模型以及基于Cityscapes数据集的语义分割预训练模型。Cityscapes精度超过82%。
-
-
2020.08.31
v0.6.0- 丰富Deeplabv3p网络结构，新增ResNet-vd、MobileNetv3两种backbone，满足高性能与高精度场景，并提供基于Cityscapes和ImageNet的预训练模型4个。
- 新增高精度分割模型OCRNet，支持以HRNet作为backbone，提供基于Cityscapes的预训练模型，mIoU超过80%。
- 新增proposal free的实例分割模型Spatial Embedding，性能与精度均超越MaskRCNN。提供了基于kitti的预训练模型。
-
2020.05.12
v0.5.0- 全面升级HumanSeg人像分割模型，新增超轻量级人像分割模型HumanSeg-lite支持移动端实时人像分割处理，并提供基于光流的视频分割后处理提升分割流畅性。
- 新增气象遥感分割方案，支持积雪识别、云检测等气象遥感场景。
- 新增Lovasz Loss，解决数据类别不均衡问题。
- 使用VisualDL 2.0作为训练可视化工具
-
2020.02.25
v0.4.0 -
2019.12.15
v0.3.0- 新增HRNet分割网络，提供基于cityscapes和ImageNet的预训练模型8个
- 支持使用伪彩色标签进行训练/评估/预测，提升训练体验，并提供将灰度标注图转为伪彩色标注图的脚本
- 新增学习率warmup功能，支持与不同的学习率Decay策略配合使用
- 新增图像归一化操作的GPU化实现，进一步提升预测速度。
- 新增Python部署方案，更低成本完成工业级部署。
- 新增Paddle-Lite移动端部署方案，支持人像分割模型的移动端部署。
- 新增不同分割模型的预测性能数据Benchmark, 便于开发者提供模型选型性能参考。
-
2019.11.04
v0.2.0- 新增PSPNet分割网络，提供基于COCO和cityscapes数据集的预训练模型4个。
- 新增Dice Loss、BCE Loss以及组合Loss配置，支持样本不均衡场景下的模型优化。
- 支持FP16混合精度训练以及动态Loss Scaling，在不损耗精度的情况下，训练速度提升30%+。
- 支持PaddlePaddle多卡多进程训练，多卡训练时训练速度提升15%+。
- 发布基于UNet的工业标记表盘分割模型。
-
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.