Update README.md

77218811 · wuzewu · aa03cbaf · 77218811 · 77218811 · 77218811
9 changed file
--- a/README.md
+++ b/README.md
@@ -6,14 +6,14 @@
 ## 简介

 PaddleSeg是基于[PaddlePaddle](https://www.paddlepaddle.org.cn)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。
-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。

+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。
-  
+
 - **主流模型覆盖**

  - 支持U-Net, DeepLabv3+, ICNet三类主流分割网络，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。
@@ -21,43 +21,61 @@ PaddleSeg是基于[PaddlePaddle](https://www.paddlepaddle.org.cn)开发的语义
 - **高性能**

  - PaddleSeg支持多进程IO、多卡并行、多卡Batch Norm同步等训练加速策略，结合飞桨核心框架的显存优化算法，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](https://github.com/PaddlePaddle/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。

+</br>
+</br>

-更多模型信息与技术细节请查看[模型介绍](./docs/models.md)和[预训练模型](./docs/model_zoo.md)
+## 在线体验

-## AI Studio教程
+PaddleSeg提供了多种预训练模型，并且以NoteBook的方式提供了在线体验的教程，欢迎体验：

-### 快速开始
+|教程|链接|
+|-|-|
+|U-Net宠物分割|[点击体验](https://aistudio.baidu.com/aistudio/projectDetail/102889)|
+|PaddleSeg人像分割|[点击体验](https://aistudio.baidu.com/aistudio/projectDetail/100798)|
+|DeepLabv3+图像分割|[点击体验](https://aistudio.baidu.com/aistudio/projectDetail/101696)|

-通过 [PaddleSeg人像分割](https://aistudio.baidu.com/aistudio/projectDetail/100798) 教程可快速体验PaddleSeg人像分割模型的效果。
+</br>
+</br>

-### 入门教程
+## 使用教程

-入门教程以经典的U-Net模型为例, 结合Oxford-IIIT宠物数据集，快速熟悉PaddleSeg使用流程, 详情请点击[U-Net宠物分割](https://aistudio.baidu.com/aistudio/projectDetail/102889)。
+我们提供了一系列的使用教程，来说明如何使用PaddleSeg完成一个语义分割模型的训练、评估、部署。

-### 高级教程
+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。

-高级教程以DeepLabv3+模型为例，结合Cityscapes数据集，快速了解ASPP, Backbone网络切换，多卡Batch Norm同步等策略，详情请点击[DeepLabv3+图像分割](https://aistudio.baidu.com/aistudio/projectDetail/101696)。
+### 快速入门

-### 垂类模型
+* [安装说明](./docs/installation.md)
+* [训练/评估/可视化](./docs/usage.md)

-更多特色垂类分割模型如LIP人体部件分割、人像分割、车道线分割模型可以参考[contrib](./contrib)
+### 基础功能

-## 使用文档
+* [模型列表与简介](./docs/models.md)
+* [预训练模型列表](./docs/model_zoo.md)
+* [自定义数据的准备与标注](./docs/data_prepare.md)
+* [数据和配置校验](./docs/check.md)
+* [使用DeepLabv3+预训练模型](./turtorial/finetune_deeplabv3plus.md)
+* [使用UNet预训练模型](./turtorial/finetune_unet.md)
+* [使用ICNet预训练模型](./turtorial/finetune_icnet.md)

-* [安装说明](./docs/installation.md)
-* [数据准备](./docs/data_prepare.md)
-* [数据增强](./docs/data_aug.md)
-* [预训练模型](./docs/model_zoo.md)
-* [训练/评估/预测(可视化)](./docs/usage.md)
-* [预测库集成](./inference/README.md)
-* [服务端部署](./serving/README.md)
-* [垂类分割模型](./contrib/README.md)
+### 预测部署

+* [模型导出](./docs/model_export.md)
+* [预测库使用](./inference)
+* [模型部署与Serving](./serving)
+
+### 高级功能
+
+* [PaddleSeg的数据增强](./docs/data_aug.md)
+* [特色垂类模型使用](./contrib)
+
+</br>
+</br>

 ## FAQ

@@ -69,15 +87,20 @@ A: 数据增强的配置可以参考文档[数据增强](./docs/data_aug.md)

 A: 降低Batch size，使用Group Norm策略等。

+</br>
+</br>
+
 ## 更新日志

-### 2019.08.26
+* 2019.08.26

-#### v0.1.0
+  **`v0.1.0`**
+  * PaddleSeg分割库初始版本发布，包含DeepLabv3+, U-Net, ICNet三类分割模型, 其中DeepLabv3+支持Xception, MobileNet两种可调节的骨干网络。
+  * CVPR 19' LIP人体部件分割比赛冠军预测模型发布[ACE2P](./contrib/ACE2P)
+  * 预置基于DeepLabv3+网络的[人像分割](./contrib/HumanSeg/)和[车道线分割](./contrib/RoadLine)预测模型发布

-* PaddleSeg分割库初始版本发布，包含DeepLabv3+, U-Net, ICNet三类分割模型, 其中DeepLabv3+支持Xception, MobileNet两种可调节的骨干网络。
-* CVPR 19' LIP人体部件分割比赛冠军预测模型发布[ACE2P](./contrib/ACE2P)
-* 预置基于DeepLabv3+网络的人像分割和车道线分割预测模型发布
+</br>
+</br>

 ## 如何贡献代码


--- a/docs/check.md
+++ b/docs/check.md
+# 配置/数据校验
+对用户自定义的数据集和yaml配置进行校验，帮助用户排查基本的数据和配置问题。
+
+数据校验脚本如下，支持通过`YAML_FILE_PATH`来指定配置文件。
+```
+# YAML_FILE_PATH为yaml配置文件路径
+python pdseg/check.py --cfg ${YAML_FILE_PATH}
+```
+运行后，命令行将显示校验结果的概览信息，详细信息可到detail.log文件中查看。
+
+### 1 列表分割符校验
+判断在`TRAIN_FILE_LIST`，`VAL_FILE_LIST`和`TEST_FILE_LIST`列表文件中的分隔符`DATASET.SEPARATOR`设置是否正确。
+### 2 数据集读取校验
+通过是否能成功读取`DATASET.TRAIN_FILE_LIST`，`DATASET.VAL_FILE_LIST`，`DATASET.TEST_FILE_LIST`中所有图片，判断这3项设置是否正确。
+
+若不正确返回错误信息。错误可能有多种情况，如数据集路径设置错误、图片损坏等。
+
+### 3 标注格式校验
+检查标注图像是否为PNG格式。
+
+**NOTE:** 标注图像请使用PNG无损压缩格式的图片，若使用其他格式则可能影响精度。
+
+### 4 标注通道数校验
+检查标注图的通道数。正确的标注图应该为单通道图像。
+
+### 5 标注类别校验
+检查实际标注类别是否和配置参数`DATASET.NUM_CLASSES`，`DATASET.IGNORE_INDEX`匹配。
+
+**NOTE:**
+标注图像类别数值必须在[0~(`DATASET.NUM_CLASSES`-1)]范围内或者为`DATASET.IGNORE_INDEX`。
+标注类别最好从0开始，否则可能影响精度。
+
+### 6 标注像素统计
+统计每种类别像素数量，显示以供参考。
+
+### 7 图像格式校验
+检查图片类型`DATASET.IMAGE_TYPE`是否设置正确。
+
+**NOTE:** 当数据集包含三通道图片时`DATASET.IMAGE_TYPE`设置为rgb；
+当数据集全部为四通道图片时`DATASET.IMAGE_TYPE`设置为rgba；
+
+### 8 图像与标注图尺寸一致性校验
+验证图像尺寸和对应标注图尺寸是否一致。
+
+### 9 模型验证参数`EVAL_CROP_SIZE`校验
+验证`EVAL_CROP_SIZE`是否设置正确，共有3种情形：
+
+- 当`AUG.AUG_METHOD`为unpadding时，`EVAL_CROP_SIZE`的宽高应不小于`AUG.FIX_RESIZE_SIZE`的宽高。
+
+- 当`AUG.AUG_METHOD`为stepscaling时，`EVAL_CROP_SIZE`的宽高应不小于原图中最大的宽高。
+
+- 当`AUG.AUG_METHOD`为rangscaling时，`EVAL_CROP_SIZE`的宽高应不小于缩放后图像中最大的宽高。
+
+我们将计算并给出`EVAL_CROP_SIZE`的建议值。
+
+### 10 数据增强参数`AUG.INF_RESIZE_VALUE`校验
+验证`AUG.INF_RESIZE_VALUE`是否在[`AUG.MIN_RESIZE_VALUE`~`AUG.MAX_RESIZE_VALUE`]范围内。若在范围内，则通过校验。
--- a/docs/data_prepare.md
+++ b/docs/data_prepare.md
@@ -58,61 +58,3 @@ PaddleSeg采用通用的文件列表方式组织训练集、验证集和测试
 ![cityscapes_filelist](./imgs/file_list.png)

 完整的配置信息可以参考[`./dataset/cityscapes_demo`](../dataset/cityscapes_demo/)目录下的yaml和文件列表。
-
-## 数据校验
-对用户自定义的数据集和yaml配置进行校验，帮助用户排查基本的数据和配置问题。
-
-数据校验脚本如下，支持通过`YAML_FILE_PATH`来指定配置文件。
-```
-# YAML_FILE_PATH为yaml配置文件路径
-python pdseg/check.py --cfg ${YAML_FILE_PATH}
-```
-运行后，命令行将显示校验结果的概览信息，详细信息可到detail.log文件中查看。
-
-### 1 列表分割符校验
-判断在`TRAIN_FILE_LIST`，`VAL_FILE_LIST`和`TEST_FILE_LIST`列表文件中的分隔符`DATASET.SEPARATOR`设置是否正确。
-### 2 数据集读取校验
-通过是否能成功读取`DATASET.TRAIN_FILE_LIST`，`DATASET.VAL_FILE_LIST`，`DATASET.TEST_FILE_LIST`中所有图片，判断这3项设置是否正确。
-
-若不正确返回错误信息。错误可能有多种情况，如数据集路径设置错误、图片损坏等。
-
-### 3 标注格式校验
-检查标注图像是否为PNG格式。
-
-**NOTE:** 标注图像请使用PNG无损压缩格式的图片，若使用其他格式则可能影响精度。
-
-### 4 标注通道数校验
-检查标注图的通道数。正确的标注图应该为单通道图像。
-
-### 5 标注类别校验
-检查实际标注类别是否和配置参数`DATASET.NUM_CLASSES`，`DATASET.IGNORE_INDEX`匹配。
-
-**NOTE:**
-标注图像类别数值必须在[0~(`DATASET.NUM_CLASSES`-1)]范围内或者为`DATASET.IGNORE_INDEX`。
-标注类别最好从0开始，否则可能影响精度。
-
-### 6 标注像素统计
-统计每种类别像素数量，显示以供参考。
-
-### 7 图像格式校验
-检查图片类型`DATASET.IMAGE_TYPE`是否设置正确。
-
-**NOTE:** 当数据集包含三通道图片时`DATASET.IMAGE_TYPE`设置为rgb；
-当数据集全部为四通道图片时`DATASET.IMAGE_TYPE`设置为rgba；
-
-### 8 图像与标注图尺寸一致性校验
-验证图像尺寸和对应标注图尺寸是否一致。
-
-### 9 模型验证参数`EVAL_CROP_SIZE`校验
-验证`EVAL_CROP_SIZE`是否设置正确，共有3种情形：
-
- 当`AUG.AUG_METHOD`为unpadding时，`EVAL_CROP_SIZE`的宽高应不小于`AUG.FIX_RESIZE_SIZE`的宽高。
-
- 当`AUG.AUG_METHOD`为stepscaling时，`EVAL_CROP_SIZE`的宽高应不小于原图中最大的宽高。
-
- 当`AUG.AUG_METHOD`为rangscaling时，`EVAL_CROP_SIZE`的宽高应不小于缩放后图像中最大的宽高。
-
-我们将计算并给出`EVAL_CROP_SIZE`的建议值。
-
-### 10 数据增强参数`AUG.INF_RESIZE_VALUE`校验
-验证`AUG.INF_RESIZE_VALUE`是否在[`AUG.MIN_RESIZE_VALUE`~`AUG.MAX_RESIZE_VALUE`]范围内。若在范围内，则通过校验。
--- a/docs/model_export.md
+++ b/docs/model_export.md
+# 模型导出
+
+通过训练得到一个满足要求的模型后，如果想要将该模型接入到C++预测库或者Serving服务，我们需要通过`pdseg/export_model.py`来导出该模型。
+
+该脚本的使用方法和`train.py/eval.py/vis.py`完全一样
+
+# FLAGS
+
+|FLAG|用途|默认值|备注|
+|-|-|-|-|
+|--cfg|配置文件路径|None||
+
+# 使用示例
+
+我们使用[训练/评估/可视化](./usage.md)一节中训练得到的模型进行试用，脚本如下
+
+```shell
+python pdseg/export_model.py --cfg configs/unet_pet.yaml TEST.TEST_MODEL test/saved_models/unet_pet/final
+```
+
+模型会导出到freeze_model目录
--- a/docs/usage.md
+++ b/docs/usage.md
-# 训练/评估/预测(可视化)
+# 训练/评估/可视化

-PaddleSeg提供了 `训练`/`评估`/`预测(可视化)`/`模型导出` 等四个功能的使用脚本。四个脚本都支持通过不同的Flags来开启特定功能，也支持通过Options来修改默认的[训练配置](./config.md)。四者的使用方式非常接近，如下：
+PaddleSeg提供了 `训练`/`评估`/`可视化` 等三个功能的使用脚本。三个脚本都支持通过不同的Flags来开启特定功能，也支持通过Options来修改默认的[训练配置](./config.md)。三者的使用方式非常接近，如下：

 ```shell
 # 训练
 python pdseg/train.py ${FLAGS} ${OPTIONS}
 # 评估
 python pdseg/eval.py ${FLAGS} ${OPTIONS}
-# 预测/可视化
+# 可视化
 python pdseg/vis.py ${FLAGS} ${OPTIONS}
-# 模型导出
-python pdseg/export_model.py ${FLAGS} ${OPTIONS}
 ```

 `Note`:
@@ -27,7 +25,7 @@ python pdseg/export_model.py ${FLAGS} ${OPTIONS}
 |FLAG|支持脚本|用途|默认值|备注|
 |-|-|-|-|-|
 |--cfg|ALL|配置文件路径|None||
-|--use_gpu|train/eval/vis|是否使用GPU进行训练|False||
+|--use_gpu|ALL|是否使用GPU进行训练|False||
 |--use_mpio|train/eval|是否使用多线程进行IO处理|False|打开该开关会占用一定量的CPU内存，但是可以提高训练速度。</br> NOTE：windows平台下不支持该功能, 建议使用自定义数据初次训练时不打开，打开会导致数据读取异常不可见。 </br> |
 |--use_tb|train|是否使用TensorBoard记录训练数据|False||
 |--log_steps|train|训练日志的打印周期（单位为step）|10||
@@ -54,22 +52,19 @@ python pdseg/export_model.py ${FLAGS} ${OPTIONS}

 ### 下载预训练模型
 ```shell
-# 下载预训练模型
-wget https://bj.bcebos.com/v1/paddleseg/models/unet_coco_init.tgz
-# 解压缩到当前路径下
-tar xvzf unet_coco_init.tgz
+# 下载预训练模型并进行解压
+python pretrained_model/download_model unet_bn_coco
 ```
-### 下载Oxford-IIIT数据集
+### 下载mini_pet数据集
+我们使用了Oxford-IIIT中的猫和狗两个类别数据制作了一个小数据集mini_pet，用于快速体验
 ```shell
-# 下载Oxford-IIIT Pet数据集
-wget https://paddleseg.bj.bcebos.com/dataset/mini_pet.zip --no-check-certificate
-# 解压缩到当前路径下
-unzip mini_pet.zip
+# 下载预训练模型并进行解压
+python dataset/download_pet.py
 ```

 ### 模型训练

-为了方便体验，我们在configs目录下放置了Oxford-IIIT Pet所对应的配置文件`unet_pet.yaml`，可以通过`--cfg`指向该文件来设置训练配置。
+为了方便体验，我们在configs目录下放置了mini_pet所对应的配置文件`unet_pet.yaml`，可以通过`--cfg`指向该文件来设置训练配置。

 我们选择GPU 0号卡进行训练，这可以通过环境变量`CUDA_VISIBLE_DEVICES`来指定。

@@ -81,19 +76,14 @@ python pdseg/train.py --use_gpu \
                      --tb_log_dir train_log \
                      --cfg configs/unet_pet.yaml \
                      BATCH_SIZE 4 \
-                      TRAIN.PRETRAINED_MODEL unet_coco_init \
-                      DATASET.DATA_DIR mini_pet \
-                      DATASET.TEST_FILE_LIST mini_pet/file_list/test_list.txt \
-                      DATASET.TRAIN_FILE_LIST mini_pet/file_list/train_list.txt \
-                      DATASET.VAL_FILE_LIST mini_pet/file_list/val_list.txt \
-                      DATASET.VIS_FILE_LIST mini_pet/file_list/val_list.txt \
+                      TRAIN.PRETRAINED_MODEL pretrained_model/unet_bn_coco \
                      TRAIN.SYNC_BATCH_NORM True \
                      SOLVER.LR 5e-5
 ```

 `NOTE`:

-> * 上述示例中，一共存在三套配置方案: PaddleSeg默认配置/unet_pet.yaml/OPTIONS，三者的优先级顺序为 OPTIONS > yaml > 默认配置。这个原则对于train.py/eval.py/vis.py/export_model.py都适用
+> * 上述示例中，一共存在三套配置方案: PaddleSeg默认配置/unet_pet.yaml/OPTIONS，三者的优先级顺序为 OPTIONS > yaml > 默认配置。这个原则对于train.py/eval.py/vis.py都适用
 >
 > * 如果发现因为内存不足而Crash。请适当调低BATCH_SIZE。如果本机GPU内存充足，则可以调高BATCH_SIZE的大小以获得更快的训练速度

@@ -121,30 +111,17 @@ NOTE:
 ```shell
 python pdseg/eval.py --use_gpu \
                     --cfg configs/unet_pet.yaml \
-                     DATASET.DATA_DIR mini_pet \
-                     DATASET.VAL_FILE_LIST mini_pet/file_list/val_list.txt \
                     TEST.TEST_MODEL test/saved_models/unet_pet/final
 ```


-### 模型预测/可视化
+### 模型可视化
 通过vis.py来评估模型效果，我们选择最后保存的模型进行效果的评估：
 ```shell
 python pdseg/vis.py --use_gpu \
                     --cfg configs/unet_pet.yaml \
-                     DATASET.DATA_DIR mini_pet \
-                     DATASET.TEST_FILE_LIST mini_pet/file_list/test_list.txt \
                     TEST.TEST_MODEL test/saved_models/unet_pet/final
 ```
 `NOTE`
 1. 可视化的图片会默认保存在visual/visual_results目录下，可以通过`--vis_dir`来指定输出目录
 2. 训练过程中会使用DATASET.VIS_FILE_LIST中的图片进行可视化显示，而vis.py则会使用DATASET.TEST_FILE_LIST
-
-### 模型导出
-当确定模型效果满足预期后，我们需要通过export_model.py来导出可用于C++预测库部署的模型：
-```shell
-python pdseg/export_model.py --cfg configs/unet_pet.yaml \
-                                   TEST.TEST_MODEL test/saved_models/unet_pet/final
-```
-
-模型会导出到freeze_model目录，接下来就是进行模型的部署，相关步骤请查看[模型部署](../inference/README.md)
--- a/pretrained_model/download_model.py
+++ b/pretrained_model/download_model.py
@@ -22,9 +22,39 @@ sys.path.append(TEST_PATH)
 from test_utils import download_file_and_uncompress

 model_urls = {
+    # ImageNet Pretrained
+    "mobilnetv2-2-0_bn_imagenet":
+    "https://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV2_x2_0_pretrained.tar",
+    "mobilnetv2-1-5_bn_imagenet":
+    "https://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV2_x1_5_pretrained.tar",
+    "mobilnetv2-1-0_bn_imagenet":
+    "https://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV2_pretrained.tar",
+    "mobilnetv2-0-5_bn_imagenet":
+    "https://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV2_x0_5_pretrained.tar",
+    "mobilnetv2-0-25_bn_imagenet":
+    "https://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV2_x0_25_pretrained.tar",
+    "xception41_imagenet":
+    "https://paddleseg.bj.bcebos.com/models/Xception41_pretrained.tgz",
+    "xception65_imagenet":
+    "https://paddleseg.bj.bcebos.com/models/Xception65_pretrained.tgz",
+
+    # COCO pretrained
+    "deeplabv3p_mobilnetv2-1-0_bn_coco":
+    "https://bj.bcebos.com/v1/paddleseg/deeplabv3plus_coco_bn_init.tgz",
+    "deeplabv3p_xception65_bn_coco":
+    "https://paddleseg.bj.bcebos.com/models/xception65_coco.tgz",
+    "unet_bn_coco": "https://paddleseg.bj.bcebos.com/models/unet_coco_v3.tgz",
+
+    # Cityscapes pretrained
    "deeplabv3plus_mobilenetv2-1-0_bn_cityscapes":
    "https://paddleseg.bj.bcebos.com/models/mobilenet_cityscapes.tgz",
-    "unet_bn_coco": "https://paddleseg.bj.bcebos.com/models/unet_coco_v3.tgz"
+    "deeplabv3p_xception65_gn_cityscapes":
+    "https://paddleseg.bj.bcebos.com/models/deeplabv3p_xception65_cityscapes.tgz",
+    "deeplabv3p_xception65_bn_cityscapes":
+    "https://paddleseg.bj.bcebos.com/models/xception65_bn_cityscapes.tgz",
+    "unet_bn_coco": "https://paddleseg.bj.bcebos.com/models/unet_coco_v3.tgz",
+    "icnet_bn_cityscapes":
+    "https://paddleseg.bj.bcebos.com/models/icnet6831.tar.gz"
 }

 if __name__ == "__main__":

--- a/turtorial/finetune_deeplabv3plus.md
+++ b/turtorial/finetune_deeplabv3plus.md
+# 关于本教程
+
+* 本教程旨在介绍如何通过使用PaddleSeg提供的 ***`DeeplabV3+/Xception65/BatchNorm`*** 预训练模型在自定义数据集上进行训练。除了该配置之外，DeeplabV3+还支持以下不同[模型组合](#模型组合)的预训练模型，如果需要使用对应模型作为预训练模型，将下述内容中的Xception Backbone中的内容进行替换即可
+
+* 在阅读本教程前，请确保您已经了解过PaddleSeg的[快速入门](../README.md#快速入门)和[基础功能](../README.md#基础功能)等章节，以便对PaddleSeg有一定的了解
+
+* 本教程的所有命令都基于PaddleSeg主目录进行执行
+
+## 一. 准备待训练数据
+
+我们提前准备好了一份数据集，通过以下代码进行下载
+
+```shell
+python dataset/download_pet.py
+```
+
+## 二. 下载预训练模型
+
+关于PaddleSeg支持的所有预训练模型的列表，我们可以从[模型组合](#模型组合)中查看我们所需模型的名字和配置
+
+接着下载对应的预训练模型
+
+```shell
+python pretrained_model/download_model.py deeplabv3p_xception65_bn_cityscapes
+```
+
+## 三. 准备配置
+
+在开始训练和评估之前，我们需要确定相关配置，从本教程的角度，配置分为三部分：
+
+* 数据集
+  * 训练集主目录
+  * 训练集文件列表
+  * 测试集文件列表
+  * 评估集文件列表
+* 预训练模型
+  * 预训练模型名称
+  * 预训练模型的backbone网络
+  * 预训练模型的Normalization类型
+  * 预训练模型路径
+* 其他
+  * 学习率
+  * Batch大小
+  * ...
+
+在三者中，预训练模型的配置尤为重要，如果模型或者BACKBONE配置错误，会导致预训练的参数没有加载，进而影响收敛速度。预训练模型相关的配置如第二步所展示。
+
+数据集的配置和数据路径有关，在本教程中，数据存放在`dataset/mini_pet`中
+
+其他配置则根据数据集和机器环境的情况进行调节，最终我们保存一个如下内容的yaml配置文件，存放路径为`configs/test_pet.yaml`
+
+```yaml
+# 数据集配置
+DATASET:
+    DATA_DIR: "./dataset/mini_pet/"
+    NUM_CLASSES: 3
+    TEST_FILE_LIST: "./dataset/mini_pet/file_list/test_list.txt"
+    TRAIN_FILE_LIST: "./dataset/mini_pet/file_list/train_list.txt"
+    VAL_FILE_LIST: "./dataset/mini_pet/file_list/val_list.txt"
+    VIS_FILE_LIST: "./dataset/mini_pet/file_list/test_list.txt"
+
+
+# 预训练模型配置
+MODEL:
+    MODEL_NAME: "deeplabv3p"
+    DEFAULT_NORM_TYPE: "bn"
+    DEEPLAB:
+        BACKBONE: "xception_65"
+TRAIN:
+    PRETRAINED_MODEL: "./pretrained_model/deeplabv3p_xception65_bn_pet/"
+
+
+# 其他配置
+TRAIN_CROP_SIZE: (512, 512)
+EVAL_CROP_SIZE: (512, 512)
+AUG:
+    AUG_METHOD: "unpadding"
+    FIX_RESIZE_SIZE: (512, 512)
+BATCH_SIZE: 4
+TRAIN:
+    MODEL_SAVE_DIR: "./finetune/deeplabv3p_xception65_bn_pet/"
+    RESUME: False
+    SNAPSHOT_EPOCH: 10
+TEST:
+    TEST_MODEL: "./finetune/deeplabv3p_xception65_bn_pet/final"
+SOLVER:
+    NUM_EPOCHS: 500
+    LR: 0.005
+    LR_POLICY: "poly"
+    OPTIMIZER: "adam"
+```
+
+## 四. 开始训练
+
+使用下述命令启动训练
+
+```shell
+python pdseg/train.py --use_gpu --cfg ./configs/test_pet.yaml
+```
+
+## 五. 进行评估
+
+使用下述命令启动评估
+
+```shell
+python pdseg/eval.py --use_gpu --cfg ./configs/test_pet.yaml
+```
+
+## 模型组合
+
+|预训练模型名称|BackBone|Norm|数据集|配置|
+|-|-|-|-|-|
+|mobilnetv2-2-0_bn_imagenet|-|bn|ImageNet|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: mobilenet <br> MODEL.DEEPLAB.DEPTH_MULTIPLIER: 2.0 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|mobilnetv2-1-5_bn_imagenet|-|bn|ImageNet|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: mobilenet <br> MODEL.DEEPLAB.DEPTH_MULTIPLIER: 1.5 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|mobilnetv2-1-0_bn_imagenet|-|bn|ImageNet|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: mobilenet <br> MODEL.DEEPLAB.DEPTH_MULTIPLIER: 1.0 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|mobilnetv2-0-5_bn_imagenet|-|bn|ImageNet|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: mobilenet <br> MODEL.DEEPLAB.DEPTH_MULTIPLIER: 0.5 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|mobilnetv2-0-25_bn_imagenet|-|bn|ImageNet|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: mobilenet <br> MODEL.DEEPLAB.DEPTH_MULTIPLIER: 0.25 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|xception41_imagenet|-|bn|ImageNet|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: xception_41 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|xception65_imagenet|-|bn|ImageNet|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: xception_65 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|deeplabv3p_mobilnetv2-1-0_bn_coco|MobileNet V2|bn|COCO|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: mobilenet <br> MODEL.DEEPLAB.DEPTH_MULTIPLIER: 1.0 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|deeplabv3p_xception65_bn_coco|Xception|bn|COCO|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: xception_65 <br> MODEL.DEFAULT_NORM_TYPE: bn |
+|deeplabv3p_mobilnetv2-1-0_bn_cityscapes|MobileNet V2|bn|Cityscapes|MODEL.MODEL_NAME: deeplabv3p <br> MODEL.DEEPLAB.BACKBONE: xception_65 <br> MODEL.DEFAULT_NORM_TYPE: bn|
+|deeplabv3p_xception65_gn_cityscapes|Xception|gn|Cityscapes|MODEL.MODEL_NAME: deeplabv3p <br>  MODEL.DEEPLAB.BACKBONE: xception_65 <br> MODEL.DEFAULT_NORM_TYPE: gn|
+|**deeplabv3p_xception65_bn_cityscapes**|Xception|bn|Cityscapes||
--- a/turtorial/finetune_icnet.md
+++ b/turtorial/finetune_icnet.md
+# 关于本教程
+
+* 本教程旨在介绍如何通过使用PaddleSeg提供的 ***`ICNet`*** 预训练模型在自定义数据集上进行训练
+
+* 在阅读本教程前，请确保您已经了解过PaddleSeg的[快速入门](../README.md#快速入门)和[基础功能](../README.md#基础功能)等章节，以便对PaddleSeg有一定的了解
+
+* 本教程的所有命令都基于PaddleSeg主目录进行执行
+
+## 一. 准备待训练数据
+
+我们提前准备好了一份数据集，通过以下代码进行下载
+
+```shell
+python dataset/download_pet.py
+```
+
+## 二. 下载预训练模型
+
+关于PaddleSeg支持的所有预训练模型的列表，我们可以从[模型组合](#模型组合)中查看我们所需模型的名字和配置。
+
+接着下载对应的预训练模型
+
+```shell
+python pretrained_model/download_model.py icnet_bn_cityscapes
+```
+
+## 三. 准备配置
+
+在开始训练和评估之前，我们需要确定相关配置，从本教程的角度，配置分为三部分：
+
+* 数据集
+  * 训练集主目录
+  * 训练集文件列表
+  * 测试集文件列表
+  * 评估集文件列表
+* 预训练模型
+  * 预训练模型名称
+  * 预训练模型的backbone网络
+  * 预训练模型的Normalization类型
+  * 预训练模型路径
+* 其他
+  * 学习率
+  * Batch大小
+  * ...
+
+在三者中，预训练模型的配置尤为重要，如果模型或者BACKBONE配置错误，会导致预训练的参数没有加载，进而影响收敛速度。预训练模型相关的配置如第二步所展示。
+
+数据集的配置和数据路径有关，在本教程中，数据存放在`dataset/mini_pet`中
+
+其他配置则根据数据集和机器环境的情况进行调节，最终我们保存一个如下内容的yaml配置文件，存放路径为`configs/test_pet.yaml`
+
+```yaml
+# 数据集配置
+DATASET:
+    DATA_DIR: "./dataset/mini_pet/"
+    NUM_CLASSES: 3
+    TEST_FILE_LIST: "./dataset/mini_pet/file_list/test_list.txt"
+    TRAIN_FILE_LIST: "./dataset/mini_pet/file_list/train_list.txt"
+    VAL_FILE_LIST: "./dataset/mini_pet/file_list/val_list.txt"
+    VIS_FILE_LIST: "./dataset/mini_pet/file_list/test_list.txt"
+
+
+# 预训练模型配置
+MODEL:
+    MODEL_NAME: "icnet"
+    DEFAULT_NORM_TYPE: "bn"
+TRAIN:
+    PRETRAINED_MODEL: "./pretrained_model/icnet_bn_cityscapes/"
+
+
+# 其他配置
+TRAIN_CROP_SIZE: (512, 512)
+EVAL_CROP_SIZE: (512, 512)
+AUG:
+    AUG_METHOD: "unpadding"
+    FIX_RESIZE_SIZE: (512, 512)
+BATCH_SIZE: 4
+TRAIN:
+    MODEL_SAVE_DIR: "./finetune/icnet_pet/"
+    RESUME: False
+    SNAPSHOT_EPOCH: 10
+TEST:
+    TEST_MODEL: "./finetune/icnet_pet/final"
+SOLVER:
+    NUM_EPOCHS: 500
+    LR: 0.005
+    LR_POLICY: "poly"
+    OPTIMIZER: "adam"
+```
+
+## 四. 开始训练
+
+使用下述命令启动训练
+
+```shell
+python pdseg/train.py --use_gpu --cfg ./configs/test_pet.yaml
+```
+
+## 五. 进行评估
+
+使用下述命令启动评估
+
+```shell
+python pdseg/eval.py --use_gpu --cfg ./configs/test_pet.yaml
+```
+
+## 模型组合
+
+|预训练模型名称|BackBone|Norm|数据集|配置|
+|-|-|-|-|-|
+|icnet_bn_cityscapes|-|bn|Cityscapes|MODEL.MODEL_NAME: icnet <br> MODEL.DEFAULT_NORM_TYPE: bn|
--- a/turtorial/finetune_unet.md
+++ b/turtorial/finetune_unet.md
+# 关于本教程
+
+* 本教程旨在介绍如何通过使用PaddleSeg提供的 ***`UNet`*** 预训练模型在自定义数据集上进行训练
+
+* 在阅读本教程前，请确保您已经了解过PaddleSeg的[快速入门](../README.md#快速入门)和[基础功能](../README.md#基础功能)等章节，以便对PaddleSeg有一定的了解
+
+* 本教程的所有命令都基于PaddleSeg主目录进行执行
+
+## 一. 准备待训练数据
+
+我们提前准备好了一份数据集，通过以下代码进行下载
+
+```shell
+python dataset/download_pet.py
+```
+
+## 二. 下载预训练模型
+
+关于PaddleSeg支持的所有预训练模型的列表，我们可以从[模型组合](#模型组合)中查看我们所需模型的名字和配置。
+
+接着下载对应的预训练模型
+
+```shell
+python pretrained_model/download_model.py unet_bn_coco
+```
+
+## 三. 准备配置
+
+在开始训练和评估之前，我们需要确定相关配置，从本教程的角度，配置分为三部分：
+
+* 数据集
+  * 训练集主目录
+  * 训练集文件列表
+  * 测试集文件列表
+  * 评估集文件列表
+* 预训练模型
+  * 预训练模型名称
+  * 预训练模型的backbone网络
+  * 预训练模型的Normalization类型
+  * 预训练模型路径
+* 其他
+  * 学习率
+  * Batch大小
+  * ...
+
+在三者中，预训练模型的配置尤为重要，如果模型或者BACKBONE配置错误，会导致预训练的参数没有加载，进而影响收敛速度。预训练模型相关的配置如第二步所展示。
+
+数据集的配置和数据路径有关，在本教程中，数据存放在`dataset/mini_pet`中
+
+其他配置则根据数据集和机器环境的情况进行调节，最终我们保存一个如下内容的yaml配置文件，存放路径为`configs/test_pet.yaml`
+
+```yaml
+# 数据集配置
+DATASET:
+    DATA_DIR: "./dataset/mini_pet/"
+    NUM_CLASSES: 3
+    TEST_FILE_LIST: "./dataset/mini_pet/file_list/test_list.txt"
+    TRAIN_FILE_LIST: "./dataset/mini_pet/file_list/train_list.txt"
+    VAL_FILE_LIST: "./dataset/mini_pet/file_list/val_list.txt"
+    VIS_FILE_LIST: "./dataset/mini_pet/file_list/test_list.txt"
+
+
+# 预训练模型配置
+MODEL:
+    MODEL_NAME: "unet"
+    DEFAULT_NORM_TYPE: "bn"
+TRAIN:
+    PRETRAINED_MODEL: "./pretrained_model/unet_bn_coco/"
+
+
+# 其他配置
+TRAIN_CROP_SIZE: (512, 512)
+EVAL_CROP_SIZE: (512, 512)
+AUG:
+    AUG_METHOD: "unpadding"
+    FIX_RESIZE_SIZE: (512, 512)
+BATCH_SIZE: 4
+TRAIN:
+    MODEL_SAVE_DIR: "./finetune/unet_pet/"
+    RESUME: False
+    SNAPSHOT_EPOCH: 10
+TEST:
+    TEST_MODEL: "./finetune/unet_pet/final"
+SOLVER:
+    NUM_EPOCHS: 500
+    LR: 0.005
+    LR_POLICY: "poly"
+    OPTIMIZER: "adam"
+```
+
+## 四. 开始训练
+
+使用下述命令启动训练
+
+```shell
+python pdseg/train.py --use_gpu --cfg ./configs/test_pet.yaml
+```
+
+## 五. 进行评估
+
+使用下述命令启动评估
+
+```shell
+python pdseg/eval.py --use_gpu --cfg ./configs/test_pet.yaml
+```
+
+## 模型组合
+
+|预训练模型名称|BackBone|Norm|数据集|配置|
+|-|-|-|-|-|
+|unet_bn_coco|-|bn|Cityscapes|MODEL.MODEL_NAME: unet <br> MODEL.DEFAULT_NORM_TYPE: bn|