开源软件名称：

开源软件地址：

开源软件介绍：

简体中文 | English

最新动态

• [2022-01-20] PaddleSeg 2.4版本发布！详细发版信息请参考Release Note。
  • 发布智能标注工具EISeg v0.4版，采用静态图预测加速交互过程，并支持遥感和医疗领域智能标注。
  • 发表人像分割论文PP-HumanSeg，并开源连通性学习（SCL）方法和大规模视频会议数据集。
  • 开源发丝级人像抠图Matting算法PP-HumanMatting，并提供安卓端教程。
  • 新增9个经典分割模型, 包括Transformer系列模型SegMenter，总模型数达到40个。
  • 提供分割模型性能对比图，全面展示分割模型性能，方便模型选型。
• [2021-10-11] PaddleSeg 2.3版本发布交互式分割工具EISeg v0.3, 开源两种Matting算法, 以及分割高阶功能模型蒸馏和模型量化方案。
• [2021-09-20] PaddleSeg团队发表交互式分割论文EdgeFlow，已在多个数据集实现SOTA性能。

简介

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。

• 提供语义分割、交互式分割、全景分割、Matting四大图像分割能力。

• 广泛应用在自动驾驶、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80+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40+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。

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PaddleSeg QQ群

产品矩阵

模型库总览

模型结构和骨干网络的代表模型在Cityscapes数据集mIoU和FLOPs对比图。请参见Model Zoo Overview了解更多模型信息以及对比图。

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

• 模型训练

• 模型评估

• 预测与可视化

• 模型导出

  • 导出预测模型
  • 导出ONNX模型

• 模型部署

  • Paddle Inference部署(Python)
  • Paddle Inference部署(C++)
  • Paddle Lite部署
  • Paddle Serving部署
  • Paddle JS部署
  • 推理Benchmark

• 模型压缩

  • 量化
  • 蒸馏
  • 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

• 二次开发教程

  • 配置文件详解
  • 如何创造自己的模型

• 模型贡献

  • 提交PR说明
  • 模型PR规范

• 静态图版本

• 技术交流

• 常见问题汇总

实践案例

• 交互式分割
• 图像抠图
• 人像分割
• Cityscapes打榜模型
• 全景分割
• CVPR冠军模型
• 领域自适应

第三方教程推荐

• 图像分割套件PaddleSeg全面解析系列
• PaddleSeg学习笔记: 人像分割 HumanSeg

许可证书

本项目的发布受Apache 2.0 license许可认证。

社区贡献

• 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。
• 非常感谢yazheng0307 (刘正)贡献快速开始教程文档。
• 非常感谢CuberrChen贡献STDC (rethink BiSeNet) PointRend，和 Detail Aggregate损失函数。
• 非常感谢stuartchen1949贡献 SegNet。
• 非常感谢justld(郎督)贡献 ESPNetV2, DMNet, ENCNet, HRNet_W48_Contrast, BiSeNetV1, FastFCN, SECrossEntropyLoss 和PixelContrastCrossEntropyLoss。
• 非常感谢Herman-Hu-saber(胡慧明)参与贡献 ESPNetV2。
• 非常感谢zhangjin12138贡献数据增强方法 RandomCenterCrop。
• 非常感谢simuler 贡献 ESPNetV1。
• 非常感谢ETTR123(张恺) 贡献 PFPNNet。

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}}