• PaddleSeg 图像分割库
• • 简介
  • 特点
  • 安装
  • • 1. 安装PaddlePaddle
    • 2. 下载PaddleSeg代码
    • 3. 安装PaddleSeg依赖
  • 使用教程
  • • 快速入门
    • 基础功能
    • 预测部署
    • 高级功能
  • 在线体验
  • FAQ
  • • • Q: 安装requirements.txt指定的依赖包时，部分包提示找不到？
      • Q:图像分割的数据增强如何配置，Unpadding, StepScaling, RangeScaling的原理是什么？
      • Q: 训练时因为某些原因中断了，如何恢复训练？
      • Q: 预测时图片过大，导致显存不足如何处理？
      • Q: 出现错误 ModuleNotFoundError: No module named 'paddle.fluid.contrib.mixed_precision'
  • 交流与反馈
  • 更新日志
  • 贡献代码

PaddleSeg 图像分割库

简介

PaddleSeg是基于PaddlePaddle开发的语义分割库，覆盖了DeepLabv3+, U-Net, ICNet, PSPNet, HRNet, Fast-SCNN等主流分割模型。通过统一的配置，帮助用户更便捷地完成从训练到部署的全流程图像分割应用。

• 特点
• 安装
• 使用教程
  • 快速入门
  • 基础功能
  • 预测部署
  • 高级功能
• 在线体验
• FAQ
• 交流与反馈
• 更新日志
• 贡献代码

特点

• 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, BCE 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、跨卡Batch Norm同步等训练加速策略，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。

安装

1. 安装PaddlePaddle

版本要求

• PaddlePaddle >= 1.6.1
• Python 2.7 or 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.

pip install -U paddlepaddle-gpu

同时请保证您参考NVIDIA官网，已经正确配置和安装了显卡驱动，CUDA 9，cuDNN 7.3，NCCL2等依赖，其他更加详细的安装信息请参考：PaddlePaddle安装说明。

2. 下载PaddleSeg代码

git clone https://github.com/PaddlePaddle/PaddleSeg

3. 安装PaddleSeg依赖

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

使用教程

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。

快速入门

• PaddleSeg快速入门

基础功能

• 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

预测部署

• 模型导出
• Python预测
• C++预测
• Paddle-Lite移动端预测部署

高级功能

• PaddleSeg的数据增强
• 如何解决二分类中类别不均衡问题
• 特色垂类模型使用
• 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)

在线体验

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

FAQ

Q: 安装requirements.txt指定的依赖包时，部分包提示找不到？

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。

Q:图像分割的数据增强如何配置，Unpadding, StepScaling, RangeScaling的原理是什么？

A: 更详细数据增强文档可以参考数据增强

Q: 训练时因为某些原因中断了，如何恢复训练？

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

Q: 预测时图片过大，导致显存不足如何处理？

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

Q: 出现错误 ModuleNotFoundError: No module named 'paddle.fluid.contrib.mixed_precision'

A: 请将PaddlePaddle升级至1.5.2版本或以上。

交流与反馈

• 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: 796771754

     

   微信公众号                官方技术交流QQ群

更新日志

• 2020.02.25

  v0.4.0

  • 新增适用于实时场景且不需要预训练模型的分割网络Fast-SCNN，提供基于Cityscapes的预训练模型1个。
  • 新增LaneNet车道线检测网络，提供预训练模型一个。
  • 新增基于PaddleSlim的分割库压缩策略(量化, 蒸馏, 剪枝, 搜索)

• 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

  • PaddleSeg分割库初始版本发布，包含DeepLabv3+, U-Net, ICNet三类分割模型, 其中DeepLabv3+支持Xception, MobileNet v2两种可调节的骨干网络。
  • CVPR19 LIP人体部件分割比赛冠军预测模型发布ACE2P。
  • 预置基于DeepLabv3+网络的人像分割和车道线分割预测模型发布。

贡献代码

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.