PaddleSeg是基于PaddlePaddle开发的语义分割库，覆盖了DeepLabv3+, U-Net, ICNet三类主流的分割模型。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。
PaddleSeg具备高性能、丰富的数据增强、工业级部署、全流程应用的特点:
- 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四种主流分割网络，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IO、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，可以大幅度减少分割模型的显存开销，更快完成分割模型训练。
- 工业级部署
基于Paddle Serving和PaddlePaddle高性能预测引擎，结合百度开放的AI能力，轻松搭建人像分割和车道线分割服务。
- PaddlePaddle >= 1.6.1
- Python 2.7 or 3.5+
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
$ pip install -r requirements.txt其他如CUDA版本、cuDNN版本等兼容信息请查看PaddlePaddle安装
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。
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。
A: 更详细数据增强文档可以参考数据增强
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
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
A: 请将PaddlePaddle升级至1.5.2版本或以上。
PaddleSeg在AI Studio平台上提供了在线体验的教程，欢迎体验：
| 教程 | 链接 |
|---|---|
| U-Net宠物分割 | 点击体验 |
| DeepLabv3+图像分割 | 点击体验 |
| PaddleSeg特色垂类模型 | 点击体验 |
- 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
-
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
我们非常欢迎您为PaddleSeg贡献代码或者提供使用建议。