图像分割库PaddleSeg深度解析与应用—

图像分割库PaddleSeg深度解析与应用

发布日期：2020-03-19 11:10浏览量：1719次

PaddleSeg的四大特点：一是丰富的数据增强；二是模块化的设计；三是在高性能优化；四是工业级部署。

丰富的数据增强

PaddleSeg提供10余种数据增强的策略，有效的训练数据，大幅度提升模型的鲁棒性，开发者可以根据实际的场景进行灵活组合，根据实际场景进行选用，让整个分割模型应用泛化能力更强。

模块化的设计

整个PaddleSeg开发套件都是模块化设计的，无论是数据增强模块里面的多种增强算法，主干网络的多种Backbone模块选择，都可以让开发者更好的根据实际业务场景需求使用。分割网络包含了目前的4种主流网络：医疗领域常见的U-Net，经典的DeepLabV3，面向实时场景的分割模型ICNet等。同时对于损失函数的模块化设计，也可以更好的提升各个分类场景下的分割精度，例如小目标分割的效果。

高性能

PaddleSeg在性能优化方面开展了很多工作。包括训练速度提升、GPU利用率提升以及显存性能优化。同时支持较新的FP16混合精度的训练。特别的，对于动态的Loss Scaling，在不损失精度的情况下，性能可以有30%的提升。PaddleSeg在英伟达特斯拉V100卡上，单卡训练速度是对标产品的2.3倍，多卡上是对标产品的3.1倍。

工业级部署

根据产业的需求，PaddleSeg开发了高性能的C++预测库。在多线程计算优化、算子硬件加速方面，而且依托于真实的项目实践验证做了大量优化工作，真正满足工业级部署需求。

应用场景和案例介绍

5.1电池隔膜产品质检任务

此任务的挑战是，分割目标非常小、类别不均匀、预测性能要求高，不能拖慢流水线的速度。通过PaddleSeg实现方案最终IoU做到了0.82。预测速度在200×200的图上小于2.5毫秒，保证生产效率不会受影响。

5.2工业精密零件质检智能分拣

选用了ICNet，在800×800、1000×1000的大图分割速度约25毫秒，误收率小于0.1%，对比其他框架速度快20%左右。

5.3人像分割

PaddleSeg开放了人像分割的预训练模型，mIoU可以做到0.93，适用于证件照片、人像特效、替换照片视频背景等分割任务。

后续规划

PaddleSeg后续开放方向：一是视频级别分割，做到如人体特效、天空分割、实时的语义分割等；二是图像分割解决方案。三是高性能的端侧部署，与PaddleSlim打通，支持模型压缩，并与Paddle Lite整合，让开发者能够更方便的部署到端上。

进入网盘获取PPT