PaddleSeg - 優れた事前トレーニング済みモデル動物園を備えた使いやすい画像セグメンテーションライブラリ。セマンティックセグメンテーション、インタラクティブセグメンテーション、パノプティコンセグメンテーション、画像マットなどの幅広い実用的なタスクをサポートします。
(Easy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, etc.)
簡体字中国語|英語
Flying Paddleは、トレーニングから展開までの画像セグメンテーションアプリケーションの全プロセスをエンドツーエンドで完了する高性能の画像セグメンテーション開発キットです。
最新ニュース
-
🔥 2022.4.26-288:30毎晩[産業用セマンティックセグメンテーションアプリケーションの実践]3日間のライブクラス🔥 -
26日：高精度軽量画像セグメンテーションアルゴリズムの産業実践
- 画像セグメンテーション業界のアプリケーションシナリオの分析
- 速度と精度の完璧なバランスを備えたSOTAアルゴリズムPP-LiteSeg共有
- 自動車用金属ガスケットの欠陥検出
-
27日：高精度汎用マットアルゴリズム入門
- 一般的なマットアルゴリズムPPの導入-高精度SOTAのマット
- デモアプリケーションプラクティスの産業レベルの展開（ターミナルテスト、サーバー側）
-
28日：医療用3D画像セグメンテーションツールの紹介
- エンドツーエンドの3D画像セグメンテーションツールMedicalSeg製品紹介
- 40％高速な3D画像効率の高い推論ソリューション
QRコードをスキャンして今すぐサインアップしてください！！
- [2022-04-20]
🔥 PaddleSegバージョン2.5がリリースされました！詳細なリリース情報については、リリースノートを参照してください。- 精度と速度の最適なバランスを実現するために、超軽量のセマンティックセグメンテーションモデルPP-LiteSegとテクニカルレポートをリリースしました。
- 高精度のトリマップフリーマットモデルPP-マットおよびテクニカルレポートをリリースし、Composition-1KおよびDistinctions-646にSOTAインジケーターを実装しました。
- データ前処理、モデルトレーニング、モデル展開の全プロセス開発をサポートし、肺および椎骨データの高精度セグメンテーションモデルを提供する3D医用画像開発キットMedicalSegをリリースしました。
- インテリジェントラベリングツールEISegv0.5をアップグレードし、 X線胸部ラベリング、MRI椎骨ラベリング、およびアルミニウムプレート欠陥ラベリングを追加します。
- PP-LiteSegの複数のバージョンを含む5つのクラシックセグメンテーションモデルを追加し、合計45のモデルを追加しました。
- [2022-01-20] PaddleSeg 2.4は、インタラクティブセグメンテーションツールEISeg v0.4、超軽量ポートレートセグメンテーションソリューションPP-HumanSeg、および大規模ビデオ会議データセットPP-HumanSeg14Kをリリースします。
- [2021-10-11] PaddleSegバージョン2.3は、インタラクティブセグメンテーションツールEISeg v0.3、オープンソースの2つのマットアルゴリズム、およびセグメンテーション高次機能モデル蒸留およびモデル量子化ソリューションをリリースしました。
序章
PaddleSegは、PaddlePaddleに基づいて開発されたエンドツーエンドの画像セグメンテーション開発キットであり、高精度や軽量など、さまざまな方向の多数の高品質セグメンテーションモデルをカバーします。モジュラー設計により、構成の駆動とAPI呼び出しの2つのアプリケーション方法が提供され、開発者はトレーニングから展開までの画像セグメンテーションアプリケーションのプロセス全体をより簡単に完了できます。
-
セマンティックセグメンテーション、インタラクティブセグメンテーション、パノラマセグメンテーション、マットの4つの画像セグメンテーション機能を提供します。
-
自動運転、医療、品質検査、検査、娯楽、その他のシナリオで広く使用されています。
特性
-
高精度モデル：半教師ありラベル知識蒸留スキーム（SSLD）トレーニングに基づいて、高精度バックボーンネットワークを取得し、最先端のセグメンテーションテクノロジーと組み合わせて、80以上の高品質の事前トレーニングモデルを提供します。効果は他のオープンソース実装よりも優れています。 -
モジュラー設計：40以上の主流のセグメンテーション、データ拡張戦略、バックボーンネットワーク、モジュラー設計の損失関数などのさまざまなコンポーネントと組み合わせて、開発者は実際のアプリケーションシナリオに基づいてさまざまなトレーニング構成を組み立て、さまざまなパフォーマンスと精度の要件を満たすことができます。 -
高性能：マルチプロセス非同期I / O、マルチカード並列トレーニング、評価、その他の加速戦略をサポートし、フライングパドルコアフレームワークのビデオメモリ最適化機能と組み合わせることで、分割モデルのトレーニングオーバーヘッドを大幅に削減できます。開発者はコストを削減し、より効率的になります。完全な画像セグメンテーショントレーニング。
テクノロジーエクスチェンジ
- PaddleSegで問題や提案を見つけた場合は、GitHubの問題を介して問題を送信してください。
- PaddleSegWeChatグループへようこそ
製品マトリックス
セグメンテーションモデル コンポーネントを分割する 実用的なケース -
26日：高精度軽量画像セグメンテーションアルゴリズムの産業実践
- ANN
- BiSeNetV2
- DANet
- DeepLabV3
- DeepLabV3P
- 高速-SCNN
- HRNet-FCN
- GCNet
- GSCNN
- HarDNet
- OCRNet
- PSPNet
- U-Net
- U2-ネット_
- Att U-Net
- U-Net ++
- U-Net3 +
- DecoupledSeg
- EMANet
- ISANet
- DNLNet
- SFNet
- PP-HumanSeg
- PortraitNet
- STDC
- GINet
- PointRend
- SegNet
- ESPNetV2
- HRNet-コントラスト
- DMNet
- ESPNetV1
- ENCNet
- PFPNNet
- FastFCN
- BiSeNetV1
- SETR
- MLAトランス
- SegFormer
- SegMenter
- ENet
- CCNet
- DDRNet
- GloRe
- PP-LiteSeg
⭐
バックボーンネットワーク - HRNet
- MobileNetV2
- MobileNetV3
- ResNet
- STDCNet
- XCeption
- VIT
- MixVIT
- Swin Transformer
- クロスエントロピー
- バイナリCE
- ブートストラップCE
- ポイントCE
- OHEM CE
- ピクセルコントラストCE
- フォーカル
- サイコロ
- RMI
- KL
- L1
- Lovasz
- MSE
- エッジアテンション
- 境界をリラックス
- 接続性
- MultiClassFocal
- mIoU
- 正確さ
- カッパ
- サイコロ
- AUC_ROC
- 都市の景観
- パスカルVOC
- ADE20K
- パスカルコンテキスト
- COCOスタッフ
- 見事に
- EG1800
- CHASE_DB1
- HRF
- ドライブ
- 見詰める
- PP-HumanSeg14K
- フリッピング
- サイズ変更
- ResizeByLong
- ResizeByShort
- LimitLong
- ResizeRangeScaling
- ResizeStepScaling
- ノーマライズ
- パディング
- PaddingByAspectRatio
- RandomPaddingCrop
- RandomCenterCrop
- ScalePadding
- RandomNoise
- RandomBlur
- RandomRotation
- RandomScaleAspect
- RandomDistort
- RandomAffine
- EISeg
- RITM
- EdgeFlow
- PPマット
- DIM
- MODNet
- PP-HumanMatting
- PP-HumanSeg
- VNet
- HMSA
- パノプティック-DeepLab
- MLAトランス
- PixMatch
-
データセットを準備する
-
モデルのエクスポート
-
モデルの展開
-
モデルの圧縮
-
API使用法チュートリアル
-
重要なモジュールの説明
-
二次開発チュートリアル
-
モデルの貢献
- インタラクティブなセグメンテーション
- 画像の切り抜き
- ポートレートセグメンテーション
- 3D医療セグメンテーション
- 都市景観ランキングモデル
- パノラマセグメンテーション
- CVPRチャンピオンモデル
- ドメイン適応
- U2 - Netモデルに貢献してくれたjm12138に感謝します。
- AttentionU-NetモデルとDiceの損失に貢献してくれたzjhellofss （Fu Xinxin）に感謝します。
- U-Net++モデルに貢献してくれたliuguoyu666に感謝します。
- クイックスタートチュートリアルドキュメントを提供してくれたyazheng0307 （Liu Zheng）に感謝します。
- STDC（BiSeNetを再考）PointRendおよびDetailAggregate損失関数に貢献してくれたCuberrChenに感謝します。
- SegNetに貢献してくれたstuartchen1949に感謝します。
- justld （Lang Du）がDDRNet、CCNet、ESPNetV2、DMNet、ENCNet、HRNet_W48_Contrast、BiSeNetV1、FastFCN、SECrossEntropyLoss、PixelContrastCrossEntropyLossに貢献してくれたことに感謝します。
- ESPNetV2に貢献してくれたHerman-Hu-saber（Hu Huiming）に感謝します。
- データ拡張メソッドRandomCenterCropに貢献してくれたzhangjin12138に感謝します。
- ESPNetV1に貢献してくれたsimulerに感謝します。
- ENet、PFPNNetに貢献してくれたETTR123（Zhang Kai）に感謝します。
モデルライブラリの概要
モデル構造とバックボーンネットワークの代表的なモデルは、CityscapesデータセットのmIoUとFLOPで比較されます。モデル情報と比較表の詳細については、モデル動物園の概要を参照してください。
チュートリアルを使用する
実用的なケース
推奨されるサードパーティのチュートリアル
ライセンス
このプロジェクトは、Apache2.0ライセンスの下でリリースされています。
コミュニティの貢献
学術的引用
私たちのプログラムが学術的にあなたを助けたなら、以下の引用を考慮してください：
@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}
}