简体中文 | English
-
2020.02.26
v2.0- 全新发布2.0版本，全面升级至动态图，支持20+分割模型，4个骨干网络，5个数据集，9种Loss：
- 分割模型：ANN、BiSeNetV2、DANet、DeeplabV3、DeeplabV3+、FCN、FastSCNN、Gated-scnn、GCNet、HarDNet、OCRNet、PSPNet、UNet、UNet++、U2Net、Attention UNet、Decoupled SegNet、EMANet、DNLNet、ISANet
- 骨干网络：ResNet, HRNet, MobileNetV3, Xception
- 数据集：Cityscapes, ADE20K, Pascal VOC, Pascal Context, COCO Stuff
- Loss：CrossEntropy Loss、BootstrappedCrossEntropy Loss、Dice Loss、BCE Loss、OhemCrossEntropyLoss、RelaxBoundaryLoss、OhemEdgeAttentionLoss、Lovasz Hinge Loss、Lovasz Softmax Loss
- 提供基于Cityscapes和Pascal Voc数据集的高质量预训练模型 50+
- 支持多卡GPU并行评估，提供了高效的指标计算功能。支持多尺度评估/翻转评估/滑动窗口评估等多种评估方式。
- 支持XPU模型训练，包括DeepLabv3、HRNet、UNet。
- 开源了基于Hierarchical Multi-Scale Attention结构的语义分割模型，在Cityscapes验证集上达到87% mIoU。
- 动态图模式支持模型在线量化、剪枝等模型压缩功能。
- 动态图下支持模型动转静，实现高性能部署。
- 全新发布2.0版本，全面升级至动态图，支持20+分割模型，4个骨干网络，5个数据集，9种Loss：
-
2020.12.18
v2.0.0-rc- 全新发布2.0-rc版本，全面升级至动态图，支持15+分割模型，4个骨干网络，3个数据集，4种Loss：
- 分割模型：ANN, BiSeNetV2, DANet, DeeplabV3, DeeplabV3+, FCN, FastSCNN, Gated-scnn, GCNet, HarDNet, OCRNet, PSPNet, UNet, UNet++, U2-Net, Attention UNet
- 骨干网络：ResNet, HRNet, MobileNetV3, Xception
- 数据集：Cityscapes, ADE20K, Pascal VOC
- Loss：CrossEntropy Loss、BootstrappedCrossEntropy Loss、Dice Loss、BCE Loss
- 提供基于Cityscapes和Pascal Voc数据集的高质量预训练模型 40+。
- 支持多卡GPU并行评估，提供了高效的指标计算功能。支持多尺度评估/翻转评估/滑动窗口评估等多种评估方式。
- 全新发布2.0-rc版本，全面升级至动态图，支持15+分割模型，4个骨干网络，3个数据集，4种Loss：
-
2020.12.02
v0.8.0- 增加多尺度评估/翻转评估/滑动窗口评估等功能。
- 支持多卡GPU并行评估，提供了高效的指标计算功能。
- 增加Pascal VOC 2012数据集。
- 新增在Pascal VOC 2012数据集上的高精度预训练模型，详见模型库。
- 支持对PNG格式的伪彩色图片进行预测可视化。
-
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