PaddlePaddle提供了针对视觉任务的端到端企业解决方案，覆盖了从数据准备到模型训练的整个流程。在此Repo中，针对每种视觉任务，我们提供了现阶段准确率和效率皆优的神经网络模型，并展示了如何准备数据，如何使用PaddlePaddle完成模型的训练。
PaddleSolution的目标是通过提供针对视觉任务的端到端解决方案，帮助用户打通从准备数据到训练模型的全部流程。
PaddleSolution提供了针对目标检测的神经网络模型YOLO V3，以及针对实例分割的模型Mask R-CNN，模型原理请参见模型简介。
Mask R-CNN预测结果示意图
PaddleSolution目前支持COCO数据集格式。若不使用COCO数据集，用户需预先采集好用于训练、评估和预测的图片，并使用数据标注工具LabelMe完成数据标注，最后用我们提供的数据转换脚本将LabelMe产出的数据格式转换为模型训练时所需的数据格式。具体流程请参见数据准备.md。
运行PaddleSolution对环境有所要求，且需预先安装PaddlePaddle和其他依赖项。具体流程请参见模型安装.md。
使用不同的主干网络，Mask R-CNN的分割准确率有所差别:
| 主干网络 | 检测准确率(Box AP) | 分割准确率(Mask AP) | 下载 |
|---|---|---|---|
| ResNet50-vd-FPN | 39.8 | 35.4 | 模型参数 |
| SENet154-vd-FPN | 44.0 | 38.7 | 模型参数 |
使用各主干网络进行训练、评估和测试所需的配置文件都在configs下，这些配置文件中部分配置的默认值是针对使用8块显卡训练COCO数据集所设置的，运行前请根据实际情况调整这些配置，具体的调整方法请参见Mask R-CNN训练配置调整.md。
调整配置文件中的设值后，请参见Mask R-CNN训练.md进行训练。
PaddleSolution提供了已在COCO训练集上训练好的Mask R-CNN参数，用户可以下载模型参数并评估模型Mask R-CNN的表现，也可以用在自定义数据集上训练好的模型参数对模型进行评估。具体的评估流程请参见Mask R-CNN评估.md。
在训练好模型后，给定单张图片或者批量图片，就可以预测图片中各目标的位置、类别或像素点信息。具体的步骤以及可视化结果请参见预测.md。
配置文件中超参数的默认值对于COCO数据集来说是最优的，这些设定值对于其他数据集来说可能不是最优的。用户在训练自定义数据集时，可以调整这些超参数，以期获得准确率或效率的提升。Mask R-CNN超参数的调整策略请参见Mask R-CNN模型调优.md。