简体中文 | English

• 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。

✨直播课预告--全球冠军带你实现产业级图像分割✨

• 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。

• ❤️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❤️

• 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）

• 安装

• 全流程跑通PaddleSeg

• 数据处理

  • 数据格式说明
  • 数据标注和转换
  • 自定义数据集

• PaddleSeg的设计**

  • 配置文件详解
  • 如何创造自己的模型

• 模型训练

• 模型评估

• 模型导出

• 模型部署

  • Inference
  • Lite
  • Serving
  • Web

• 模型压缩

• API使用教程

  • API文档说明
  • API应用案例

• 重要模块说明

  • 数据增强
  • Loss说明
  • Tricks

• 经典模型说明

  • DeeplabV3
  • UNet
  • OCRNet
  • Fast-SCNN

• 提交PR说明

• FAQ

• 人像分割
• 医疗图像
• 遥感分割
• 全景分割

• 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}
}