简体中文 | English
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。
-
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。
- 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
更多信息参见Model Zoo Overview
-
准备数据集
-
PaddleSeg二次开发教程
-
模型导出
-
模型部署
-
模型压缩
-
API使用教程
-
重要模块说明
-
经典模型说明
- 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。
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}
}