18

GitHub - PaddlePaddle/PaddleSeg: End-to-end image segmentation kit based on Padd...

 2 years ago
source link: https://github.com/PaddlePaddle/PaddleSeg
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.

简体中文 | English

PaddleSeg

PaddleSeg重磅发布2.2版本，欢迎体验

  • 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；
  • 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；
  • 即将推出了精细化的分割解决方案PaddleSeg-Matting；
  • PaddleSeg团队在CVPR2021 AutoNUE语义分割赛道中获得冠军! 已发布演讲报告。详细的技术报告和源码即将在直播课公布。

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。

重要活动提醒

sparkles直播课预告--全球冠军带你实现产业级图像分割sparkles

  • 直播链接：http://live.bilibili.com/21689802

  • Day① 7.13 20:15-21:30

    • 主题：顶会冠军图像分割算法深度解密
      • 语义分割全系列算法讲解
      • CVPR冠军解析自动驾驶场景理解方案
      • 揭秘百度全新Transformer算法

  • Day② 7.14 20:15-21:30

    • 主题：高精度人像分割算法及应用
      • 实时人像分割技术难点及实现
      • Web端超轻量模型设计方案
      • 精细化分割Matting技术详解

  • Day③ 7.15 20:15-21:30

    • 主题：交互式分割及破圈应用
      • 交互式分割算法及优化技巧
      • 高效智能标注功能的实现
      • 交互式分割的产业创新应用

  • 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。

  • heart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heart

  • 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微信群（左侧）和QQ群（右侧）
  • 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。

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}
}

report

Recommend

About Joyk


Aggregate valuable and interesting links.
Joyk means Joy of geeK