README_CN-official.md

简体中文 | English

PaddleSeg

PaddleSeg重磅发布2.2版本，欢迎体验

• PaddleSeg团队在CVPR2021 AutoNUE语义分割赛道中获得冠军! 已发布演讲报告和源代码。
• 发布了交互式分割的智能标注工具 EISeg。极大的提升了标注效率；
• 开源了全景分割算法Panoptic-DeepLab丰富了模型种类；
• 全新升级了人像分割功能，提供了web端超轻量模型部署方案

PaddleSeg介绍

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。

• PaddleSeg提供了语义分割、交互式分割、全景分割、Matting四大图像分割能力。

---

• PaddleSeg被广泛地应用在自动驾驶、医疗、质检、巡检、娱乐等场景。

---

特性

• 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。

• ❤️您可以前往 完整PaddleSeg在线使用文档目录 获得更详细的说明文档❤️

---

直播课回放

✨直播课回放--全球冠军带你实现产业级图像分割✨

• 学习链接：https://aistudio.baidu.com/aistudio/education/group/info/24590

• Day① 顶会冠军图像分割算法深度解密

• Day② 高精度人像分割算法及应用

• Day③ 交互式分割及破圈应用

技术交流

• 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

模型说明

Model Zoo

使用教程

• 安装

• 全流程跑通PaddleSeg

• 准备数据集

  • 标注数据的准备
  • 数据标注教程
  • 自定义数据集

• PaddleSeg二次开发教程

  • 配置文件详解
  • 如何创造自己的模型

• 模型训练

• 模型评估

• 预测与可视化

• 模型导出

• 模型部署

  • Inference
  • Lite
  • Serving
  • Web

• 模型压缩

  • 量化
  • 裁剪

• API使用教程

  • API文档说明
  • API应用案例

• 重要模块说明

  • 数据增强
  • Loss说明
  • Tricks

• 经典模型说明

  • DeeplabV3
  • UNet
  • OCRNet
  • Fast-SCNN

• 提交PR说明

• FAQ

实践案例

• 人像分割
• 医疗图像
• 遥感分割
• 全景分割

代码贡献

• 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。

学术引用

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}
}