火爆GitHub！这个图像分割神器开源了

最近全球各大新势力造车公司简直不能再火！小编看着蹭蹭飙升的股价实在是眼红的不要不要的。而懂行的人都知道，以Telsa为首，各大公司都采用计算机视觉作为自动驾驶的技术底座，而其中正是通过图像分割技术，汽车才能分清楚哪里是路，哪里是人。

那图像分割重不重要还需要小编强调么？而今天小编要给大家介绍的这个开源套件，就涵盖业界最前沿的图像分割算法，并效果超群，这就是PaddleSeg！！OMG，还在等什么？！盘他！盘他！盘他！

除了在自动驾驶技术拥有绝对重要的地位，图像分割技术在抗疫最前线的医疗阵地也发挥了巨大作用！比如基于图像分割技术开发的《CT影像的肺炎筛查与病情预评估AI系统》，可快速识别CT影像上的肺炎病灶信息，帮助我们的白衣战士节省了大量诊断和评估时间！

那么图像分割还有哪些应用呢？比如可以做人像分割+背景替换。你以为我在旅游？其实我在加班

。

还可以做人体解析，同全球冠军模型分析全球冠军运动员的行为轨迹，像《夺冠》里描述的，现在体坛也已经是全面的数字化战争！

我们还可以基于分割技术进一步把彩色图像变素描。

在工业巡检场景中，图像分割技术还可以细致的分割出的表计盘刻度和指针，实现自动读数系统。

遥感图像分割技术还可以帮助国土资源监控保护单位、气象单位等实现地面、大气检测，建筑物检测、农耕用地检测、地块变化检测、地面目标检测、气旋检测等等！

看到这里，你还在等什么？！PaddleSeg又有用、又好玩，在此小编强烈建议大家去尝试，并点击Star支持一下开源。

点击文末'阅读原文'或以下链接立即Star：

https://github.com/PaddlePaddle/PaddleSeg

也欢迎大家扫码加入PaddleSeg微信群，和各位志同道合对的小伙伴们交流。

那么PaddleSeg到底是个啥呢？小编去Github上去扒了一下官方的解释：

PaddleSeg是基于飞桨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，帮助开发者完成从训练到部署的全流程图像分割应用。下面小编就给大家讲讲PaddleSeg的特点和近期更新的内容：

精度全面领先的开源模型

目前PaddleSeg开源了在Cityscapes验证集上达到87% mIoU的语义分割模型是目前业界最高精度的实现。该模型基于Hierarchical Multi-Scale Attention结构，通过损失函数、训练策略、评估方法等方面的优化，相比HRNet的81.5%更是高出了5.5个百分点。

https://github.com/PaddlePaddle/PaddleSeg/tree/release/v2.0/contrib/CityscapesSOTA

国际冠军都在用的PaddleSeg

PaddleSeg不仅能力覆盖全面，而且里面的独立算法还极其优秀！在刚刚结束的神经信息处理系统大会NeurIPS 2020（Conference and Workshop on Neural Information Processing Systems）上，百度团队就是使用PaddleSeg中的HRNet一举夺冠，准确性得分领先第二名0.37，推理速度更是第二名的7倍！！！目前该代码已经开源，链接如下：

https://github.com/PaddlePaddle/PaddleSeg/tree/release/v2.0/legacy/contrib/NeurIPS_SN7

焕然一新的PaddleSeg

是不是感觉PaddleSeg很厉害呢？其实咱们刚刚看到的只是冰上一角而已！近期，随着飞桨框架升级了2.0版本，PaddleSeg也随之进行了升级。在新的版本中，PaddleSeg提供了：

  • 更加丰富的高精度模型算法：包括20+分割网络、50+预训练模型，模型精度均优于其它实现方式。

  • 优秀的动转静功能：PaddleSeg依托飞桨框架集成了优秀的动转静功能，让用户在部署上具有更好性能。

  • 更加灵活易用的开发体验：PaddleSeg在原先配置文件运行方式之外又新增了API接口调用方式，更加灵活易用。

下面将为大家细细分解！

PaddleSeg全景图

更加丰富的高精度模型

PaddleSeg支持U-Net，PSPNet，DeepLabV3+，OCRNet等20多种主流分割模型，提供了Xception、MobileNet、ResNet、HRNet等多种骨干网络，同时目前开源的模型的精度均高于业内同类产品的实现。

为了进一步验证PaddleSeg模型的精度，我们分别在两个主流数据集Cityscapes和PASCAL VOC 2012上和其它同类产品的模型做了详细的对比实验。

下图展示了对比结果。左边模型使用ResNet50做为骨干网络，右边模型使用ResNet101做为骨干网络。可以看到与其它实现相比，PaddleSeg模型的精度明显更加优秀！

Cityscapes数据集对比实验（其中FCN和OCRNet使用HRNet_w18作为主干网络）

基于PASCAL VOC 2012数据集对比实验(FCN和OCRNet使用HRNet_w18作为主干网络)

优秀的动转静功能

基于飞桨框架2.0的PaddleSeg，提供了更加易用完备的动态图体验。虽然动态图在训练过程中更加方便调试，但是在部署上却明显吃力。为此飞桨提供了一套模型动转静的方式，在PaddleSeg中仅需添加一个装饰器并调用API接口paddle.jit.save，即可完成模型的转换。具体我们可以看下面的例子：

  • 定义网络
import numpy as np
import paddle
# 定义了一个简单全连接网络SimpleFcLayer
class SimpleFcLayer(paddle.nn.Layer):
    def __init__(self, batch_size, feature_size, fc_size):
        super(SimpleFcLayer, self).__init__()
        self._linear = paddle.nn.Linear(feature_size, fc_size)
        self._offset = paddle.to_tensor(
            np.random.random((batch_size, fc_size)).astype('float32'))
# 添加装饰器
    @paddle.jit.to_static
    def forward(self, x):
        fc = self._linear(x)
        return fc + self._offset
  • 模型转换
import paddle

fc_layer = SimpleFcLayer(3, 4, 2)in_np = np.random.random([3, 4]).astype('float32')input_var = paddle.to_tensor(in_np)out = fc_layer(input_var)# 使用paddle.jit.save接口存储模型paddle.jit.save(fc_layer, './fc_layer_dy2stat', input_spec=[input_var])

转换成静态图模型做部署就可以获得更好的性能，实现单车变跑车的进化！

更加灵活易用的开发体验

在用户使用体验上，PaddleSeg提供了两种使用方式：

  • 用户通过PaddleSeg中组合好的配置文件，使用简单的命令实现训练到部署的全流程。

  • PaddleSeg还提供了API形式，用户通过几行代码即可实现模型的训练、评估和推理。

结束语

介绍了这么多，小伙伴一定心动了想要跃跃欲试吧？如果大家觉得PaddleSeg给您带来更好的体验，那就请您动动小手， star支持一下！

赞 (0)

相关推荐