赞
踩
PaddleSeg是基于飞桨PaddlePaddle的端到端图像分割套件,内置45+模型算法及140+预训练模型,支持配置化驱动和API调用开发方式,打通数据标注、模型开发、训练、压缩、部署的全流程,提供语义分割、交互式分割、Matting、全景分割四大分割能力,助力算法在医疗、工业、遥感、娱乐等场景落地应用。
- # 从Github下载PaddleSeg代码。
-
- git clone https://github.com/PaddlePaddle/PaddleSeg
下载源码之后编译安装
- cd PaddleSeg
- pip install -r requirements.txt
- pip install -v -e .
也可以
pip install paddleseg
在PaddleSeg目录下执行如下命令,会进行简单的单卡预测。查看执行输出的log,没有报错,则验证安装成功。
sh tests/install/check_predict.sh
使用眼底分割作为示例进行演示,实际应用中,可以根据自身的业务需求和场景进行相应的调整与适配。数据集可以用自己的,模型也可以选配其它的。
参考:https://github.com/PaddlePaddle/PaddleSeg/blob/release/2.9/docs/whole_process_cn.md
本示例将采用视盘分割(optic disc segmentation)数据集进行演示。数据集的原始图像和对应的分割效果图如下所展示。
使用如下命令下载数据集
- mkdir data
- cd data
- wget https://paddleseg.bj.bcebos.com/dataset/optic_disc_seg.zip
- unzip optic_disc_seg.zip
- cd ..
在PaddleSeg中,我们常用配置化驱动的方式来进行开发,配置文件是模型训练、评估、预测和部署的关键所在。
配置文件中详细定义了分割模型、损失函数、训练超参数、训练数据集以及验证数据集等信息。
本示例使用的配置文件位于:PaddleSeg/configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml
在PaddleSeg的根目录下,执行以下命令来启动单机训练。
- python tools/train.py \
- --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
- --save_interval 500 \
- --do_eval \
- --use_vdl \
- --save_dir output
训练完成后,模型在验证集上的mIoU可能达到90.65%(具体数值可能会有所变动),精度最高的模型权重将保存在PaddleSeg/output/best_model目录下。
在PaddleSeg根目录下,执行以下命令,使用val.py脚本来评估模型的精度,即计算验证数据集的精度。
- python tools/val.py \
- --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
- --model_path output/best_model/model.pdparams
在PaddleSeg根目录下,执行以下命令,使用predict.py脚本加载训练好的模型,对图像进行预测,并保存预测结果。
- python tools/predict.py \
-
- --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
-
- --model_path output/best_model/model.pdparams \
-
- --image_path data/optic_disc_seg/JPEGImages/H0002.jpg \
-
- --save_dir output/result
预测完成后,可以在PaddleSeg/output/result目录下查看预测结果,具体图像如下所示。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。