# PaddleSeg 图像分割库 [![Build Status](https://travis-ci.org/PaddlePaddle/PaddleSeg.svg?branch=master)](https://travis-ci.org/PaddlePaddle/PaddleSeg) [![License](https://img.shields.io/badge/license-Apache%202-blue.svg)](LICENSE) [![Version](https://img.shields.io/github/release/PaddlePaddle/PaddleSeg.svg)](https://github.com/PaddlePaddle/PaddleSeg/releases) ## 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, PSPNet, HRNet, Fast-SCNN等主流分割模型。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。
- [特点](#特点) - [安装](#安装) - [使用教程](#使用教程) - [快速入门](#快速入门) - [基础功能](#基础功能) - [预测部署](#预测部署) - [高级功能](#高级功能) - [在线体验](#在线体验) - [FAQ](#FAQ) - [交流与反馈](#交流与反馈) - [更新日志](#更新日志) - [贡献代码](#贡献代码)
## 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, HRNet, Fast-SCNN六种主流分割网络，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I/O、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，可大幅度减少分割模型的显存开销，让开发者更低成本、更高效地完成图像分割训练。 - **工业级部署** 全面提供**服务端**和**移动端**的工业级部署能力，依托飞桨高性能推理引擎和高性能图像处理实现，开发者可以轻松完成高性能的分割模型部署和集成。通过[Paddle-Lite](https://github.com/PaddlePaddle/Paddle-Lite)，可以在移动设备或者嵌入式设备上完成轻量级、高性能的人像分割模型部署。 ## 安装 ### 1. 安装PaddlePaddle 版本要求 * PaddlePaddle >= 1.6.1 * Python 2.7 or 3.5+ 由于图像分割模型计算开销大，推荐在GPU版本的PaddlePaddle下使用PaddleSeg. ``` pip install -U paddlepaddle-gpu ``` 同时请保证您参考NVIDIA官网，已经正确配置和安装了显卡驱动，CUDA 9，cuDNN 7.3，NCCL2等依赖，其他更加详细的安装信息请参考：[PaddlePaddle安装说明](https://www.paddlepaddle.org.cn/install/doc/index)。 ### 2. 下载PaddleSeg代码 ``` git clone https://github.com/PaddlePaddle/PaddleSeg ``` ### 3. 安装PaddleSeg依赖 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： ``` cd PaddleSeg pip install -r requirements.txt ```
## 使用教程 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。 ### 快速入门 * [PaddleSeg快速入门](./docs/usage.md) ### 基础功能 * [自定义数据的标注与准备](./docs/data_prepare.md) * [脚本使用和配置说明](./docs/config.md) * [数据和配置校验](./docs/check.md) * [分割模型介绍](./docs/models.md) * [预训练模型下载](./docs/model_zoo.md) * [DeepLabv3+模型使用教程](./turtorial/finetune_deeplabv3plus.md) * [U-Net模型使用教程](./turtorial/finetune_unet.md) * [ICNet模型使用教程](./turtorial/finetune_icnet.md) * [PSPNet模型使用教程](./turtorial/finetune_pspnet.md) * [HRNet模型使用教程](./turtorial/finetune_hrnet.md) * [Fast-SCNN模型使用教程](./turtorial/finetune_fast_scnn.md) ### 预测部署 * [模型导出](./docs/model_export.md) * [Python预测](./deploy/python/) * [C++预测](./deploy/cpp/) * [Paddle-Lite移动端预测部署](./deploy/lite/) ### 高级功能 * [PaddleSeg的数据增强](./docs/data_aug.md) * [如何解决二分类中类别不均衡问题](./docs/loss_select.md) * [特色垂类模型使用](./contrib) * [多进程训练和混合精度训练](./docs/multiple_gpus_train_and_mixed_precision_train.md) * 使用PaddleSlim进行分割模型压缩([量化](./slim/quantization/README.md), [蒸馏](./slim/distillation/README.md), [剪枝](./slim/prune/README.md), [搜索](./slim/nas/README.md)) ## 在线体验 我们在AI Studio平台上提供了在线体验的教程，欢迎体验： |在线教程|链接| |-|-| |快速开始|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/100798)| |U-Net图像分割|[点击体验](https://aistudio.baidu.com/aistudio/projectDetail/102889)| |DeepLabv3+图像分割|[点击体验](https://aistudio.baidu.com/aistudio/projectDetail/226703)| |工业质检（零件瑕疵检测）|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/184392)| |人像分割|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/188833)| |PaddleSeg特色垂类模型|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/226710)|
## FAQ #### Q: 安装requirements.txt指定的依赖包时，部分包提示找不到？ 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。 #### Q:图像分割的数据增强如何配置，Unpadding, StepScaling, RangeScaling的原理是什么？ A: 更详细数据增强文档可以参考[数据增强](./docs/data_aug.md) #### Q: 训练时因为某些原因中断了，如何恢复训练？ 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 ``` #### Q: 预测时图片过大，导致显存不足如何处理？ 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 #### Q: 出现错误 ModuleNotFoundError: No module named 'paddle.fluid.contrib.mixed_precision' A: 请将PaddlePaddle升级至1.5.2版本或以上。
## 交流与反馈 * 欢迎您通过[Github Issues](https://github.com/PaddlePaddle/PaddleSeg/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

## 更新日志 * 2020.02.25 **`v0.4.0`** * 新增Fast-SCNN分割网络，提供基于cityscapes的[预训练模型](./docs/model_zoo.md)1个。Fast-SCNN不需要imagenet的预训练模型，精度与Deeplabv3p-mobilenetV2、ICNet持平，性能优于两者。 * 新增LaneNet车道线检测网络，提供[预训练模型](https://github.com/PaddlePaddle/PaddleSeg/tree/release/v0.4.0/contrib/LaneNet#%E4%B8%83-%E5%8F%AF%E8%A7%86%E5%8C%96)一个。 * 新增基于PaddleSlim的分割库压缩策略([量化](./slim/quantization/README.md), [蒸馏](./slim/distillation/README.md), [剪枝](./slim/prune/README.md), [搜索](./slim/nas/README.md)) * 2019.12.15 **`v0.3.0`** * 新增HRNet分割网络，提供基于cityscapes和ImageNet的[预训练模型](./docs/model_zoo.md)8个 * 支持使用[伪彩色标签](./docs/data_prepare.md#%E7%81%B0%E5%BA%A6%E6%A0%87%E6%B3%A8vs%E4%BC%AA%E5%BD%A9%E8%89%B2%E6%A0%87%E6%B3%A8)进行训练/评估/预测，提升训练体验，并提供将灰度标注图转为伪彩色标注图的脚本 * 新增[学习率warmup](./docs/configs/solver_group.md#lr_warmup)功能，支持与不同的学习率Decay策略配合使用 * 新增图像归一化操作的GPU化实现，进一步提升预测速度。 * 新增Python部署方案，更低成本完成工业级部署。 * 新增Paddle-Lite移动端部署方案，支持人像分割模型的移动端部署。 * 新增不同分割模型的预测[性能数据Benchmark](./deploy/python/docs/PaddleSeg_Infer_Benchmark.md), 便于开发者提供模型选型性能参考。 * 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](./docs/model_zoo.md)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](./docs/loss_select.md)。 * 支持[FP16混合精度训练](./docs/multiple_gpus_train_and_mixed_precision_train.md)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](./docs/multiple_gpus_train_and_mixed_precision_train.md)，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](./contrib#%E5%B7%A5%E4%B8%9A%E7%94%A8%E8%A1%A8%E5%88%86%E5%89%B2)。 * 2019.09.10 **`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 v2两种可调节的骨干网络。 * CVPR19 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。
## 贡献代码 我们非常欢迎您为PaddleSeg贡献代码或者提供使用建议。如果您可以修复某个issue或者增加一个新功能，欢迎给我们提交pull requests.