PaddleSeg是基于PaddlePaddle开发的语义分割库，覆盖了DeepLabv3+, U-Net, ICNet三类主流的分割模型。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。 具备高性能、丰富的数据增强、工业级部署、全流程应用的特点。
-
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。
-
主流模型覆盖
- 支持U-Net, DeepLabv3+, ICNet三类主流分割网络，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。
-
高性能
- PaddleSeg支持多进程IO、多卡并行、多卡Batch Norm同步等训练加速策略，结合飞桨核心框架的显存优化算法，可以大幅度减少分割模型的显存开销，更快完成分割模型训练。
-
工业级部署
- 基于Paddle Serving和PaddlePaddle高性能预测引擎，结合百度开放的AI能力，轻松搭建人像分割和车道线分割服务。
通过 PaddleSeg人像分割 教程可快速体验PaddleSeg人像分割模型的效果。
入门教程以经典的U-Net模型为例, 结合Oxford-IIIT宠物数据集，快速熟悉PaddleSeg使用流程, 详情请点击U-Net宠物分割。
高级教程以DeepLabv3+模型为例，结合Cityscapes数据集，快速了解ASPP, Backbone网络切换，多卡Batch Norm同步等策略，详情请点击DeepLabv3+图像分割。
更多特色垂类分割模型如LIP人体部件分割、人像分割、车道线分割模型可以参考contrib
A: 数据增强的配置可以参考文档数据增强
A: 降低Batch size，使用Group Norm策略等。
- 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两种可调节的骨干网络。
- CVPR 19' LIP人体部件分割比赛冠军预测模型发布ACE2P
- 预置基于DeepLabv3+网络的人像分割和车道线分割预测模型发布
我们非常欢迎您为PaddleSeg贡献代码或者提供使用建议。