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