PaddleSeg/configs

• 模型库
• • • CNN系列
    • Transformer系列
• 模型说明
• 模型性能参数
• 配置项
• • • train_dataset
    • val_dataset
    • batch_size
    • iters
    • optimizer
    • lr_scheduler
    • learning_rate（不推荐使用该配置，将来会被废弃，建议使用lr_scheduler代替）
    • loss
    • model
    • export

模型库

CNN系列

模型\骨干网络	ResNet50	ResNet101	HRNetw18	HRNetw48
ANN	✔	✔
BiSeNetv2	-	-	-	-
DANet	✔	✔
Deeplabv3	✔	✔
Deeplabv3P	✔	✔
Fast-SCNN	-	-	-	-
FCN			✔	✔
GCNet	✔	✔
GSCNN	✔	✔
HarDNet	-	-	-	-
OCRNet			✔	✔
PSPNet	✔	✔
U-Net	-	-	-	-
U2-Net	-	-	-	-
Att U-Net	-	-	-	-
U-Net++	-	-	-	-
U-Net3+	-	-	-	-
DecoupledSegNet	✔	✔
EMANet	✔	✔	-	-
ISANet	✔	✔	-	-
DNLNet	✔	✔	-	-
SFNet	✔	-	-	-
PP-HumanSeg-Lite	-	-	-	-
PortraitNet	-	-	-	-
STDC	-	-	-	-
GINet	✔	✔	-	-
PointRend	✔	✔	-	-
SegNet	-	-	-	-

Transformer系列

• SETR
• MLATransformer
• SegFormer

模型说明

模型性能参数

Model	Backbone	Resolution	Training Iters	mIoU	mIoU(flip)	mIoU(ms+flip)	predict_time(ms)
ANN	ResNet101	1024x512	80000	79.50%	79.77%	79.69%	365
BiSeNetv2	/	1024x1024	160000	73.19%	74.19%	74.43%	12
DANet	ResNet50	1024x512	80000	80.27%	80.53%	/	475
Deeplabv3	ResNet101_OS8	1024x512	80000	80.85%	81.09%	81.54%	314
Deeplabv3P	ResNet50_OS8	1024x512	80000	81.10%	81.38%	81.24%	157
Fast-SCNN	/	1024x1024	160000	69.31%	/	/	28
FCN	HRNet_W48	1024x512	80000	80.70%	81.24%	81.56%	49
GCNet	ResNet101_OS8	1024x512	80000	81.01%	81.30%	81.64%	339
GSCNN	ResNet50_OS8	1024x512	80000	80.67%	80.88%	80.88%	/
HarDNet	/	1024x1024	160000	79.03%	79.49%	79.76%	30
OCRNet	HRNet_W48	1024x512	160000	82.15%	82.59%	82.85%	79
PSPNet	ResNet101_OS8	1024x512	80000	80.48%	80.74%	81.04%	415
U-Net	/	1024x512	160000	65.00%	66.02%	66.89%	63
U^2-Net	/	1024x512	160000	71.65%	/	148
Att U-Net	/	/	1024x512	/	/	/	/
U-Net++	/	1024x512	/	/	/	/	/
DecoupledSegNet	ResNet50_OS8	1024x512	80000	81.26%	81.56%	81.80%	239
EMANet	ResNet101_OS8	1024x512	80000	80.00%	80.23%	80.53%	303
ISANet	ResNet101_OS8	769x769	80000	80.10%	80.30%	80.26%	304
DNLNet	ResNet101_OS8	1024x512	80000	81.03%	81.38%	/	303
SFNet	ResNet50_OS8	1024x1024	80000	81.49%	81.63%	81.85%	28

• 表格展示了PaddleSeg所实现的分割模型在取得最高分类精度的配置下的一些评价参数。
• 其中，mIoU、mIoU(flip)、mIoU(ms+flip)是对模型进行评估的结果。ms 表示multi-scale，即使用三种scale [0.75, 1.0, 1.25]；flip表示水平翻转。
• 推理时间是使用CityScapes数据集中的图像进行100次预测取平均值的结果。
• 测试条件为Tesla V100 16GB。

配置项

---

train_dataset

训练数据集

• 参数
  • type : 数据集类型，所支持值请参考训练配置文件
  • others : 请参考对应模型训练配置文件

---

val_dataset

评估数据集

• 参数
  • type : 数据集类型，所支持值请参考训练配置文件
  • others : 请参考对应模型训练配置文件

---

batch_size

单张卡上，每步迭代训练时的数据量

---

iters

训练步数

---

optimizer

训练优化器

• 参数
  • type : 优化器类型，支持目前Paddle官方所有优化器
  • weight_decay : L2正则化的值
  • others : 请参考Paddle官方Optimizer文档

---

lr_scheduler

学习率

• 参数
  • type : 学习率类型，支持10种策略，分别是'PolynomialDecay', 'PiecewiseDecay', 'StepDecay', 'CosineAnnealingDecay', 'ExponentialDecay', 'InverseTimeDecay', 'LinearWarmup', 'MultiStepDecay', 'NaturalExpDecay', 'NoamDecay'.
  • others : 请参考Paddle官方LRScheduler文档

---

learning_rate（不推荐使用该配置，将来会被废弃，建议使用lr_scheduler代替）

学习率

• 参数
  • value : 初始学习率
  • decay : 衰减配置
    • type : 衰减类型，目前只支持poly
    • power : 衰减率
    • end_lr : 最终学习率

---

loss

损失函数

• 参数
  • types : 损失函数列表
    • type : 损失函数类型，所支持值请参考损失函数库
    • ignore_index : 训练过程需要忽略的类别，默认取值与train_dataset的ignore_index一致，推荐不用设置此项。如果设置了此项，loss和train_dataset的ignore_index必须相同。
  • coef : 对应损失函数列表的系数列表

---

model

待训练模型

• 参数
  • type : 模型类型，所支持值请参考模型库
  • others : 请参考对应模型训练配置文件

---

export

模型导出配置

• 参数
  • transforms : 预测时的预处理操作，支持配置的transforms与train_dataset、val_dataset等相同。如果不填写该项，默认只会对数据进行归一化标准化操作。

具体配置文件说明请参照配置文件详解