91豆花在线观看,黄片大香蕉,www.麻豆网91成人久久久,青青草免费黄片,国产精品av在线观看,精品撸,久久日成人电影,韩国无码毛片

最近全球各大新勢(shì)力造車公司簡(jiǎn)直不能再火！看著蹭蹭飆升的股價(jià)實(shí)在是眼紅的不要不要的。而懂行的人都知道，以 Telsa 為首，各大公司都采用計(jì)算機(jī)視覺作為自動(dòng)駕駛的技術(shù)底座，而其中正是通過圖像分割技術(shù)，汽車才能分清楚哪里是路，哪里是人。

今天要給大家介紹的這個(gè)開源套件，就涵蓋業(yè)界最前沿的圖像分割算法，并效果超群，這就是 PaddleSeg！！OMG，還在等什么？！盤他！盤他！盤他！

除了在自動(dòng)駕駛技術(shù)擁有絕對(duì)重要的地位，圖像分割技術(shù)在抗疫最前線的醫(yī)療陣地也發(fā)揮了巨大作用！比如基于圖像分割技術(shù)開發(fā)的《CT 影像的肺炎篩查與病情預(yù)評(píng)估 AI 系統(tǒng)》，可快速識(shí)別 CT 影像上的肺炎病灶信息，幫助我們的白衣戰(zhàn)士節(jié)省了大量診斷和評(píng)估時(shí)間！

那么圖像分割還有哪些應(yīng)用呢？比如可以做人像分割 + 背景替換。你以為我在旅游？其實(shí)我在加班。

還可以做人體解析，同全球冠軍模型分析全球冠軍運(yùn)動(dòng)員的行為軌跡，像《奪冠》里描述的，現(xiàn)在體壇也已經(jīng)是全面的數(shù)字化戰(zhàn)爭(zhēng)！

我們還可以基于分割技術(shù)進(jìn)一步把彩色圖像變素描。

在工業(yè)巡檢場(chǎng)景中，圖像分割技術(shù)還可以細(xì)致的分割出的表計(jì)盤刻度和指針，實(shí)現(xiàn)自動(dòng)讀數(shù)系統(tǒng)。

遙感圖像分割技術(shù)還可以幫助國(guó)土資源監(jiān)控保護(hù)單位、氣象單位等實(shí)現(xiàn)地面、大氣檢測(cè)，建筑物檢測(cè)、農(nóng)耕用地檢測(cè)、地塊變化檢測(cè)、地面目標(biāo)檢測(cè)、氣旋檢測(cè)等等！

看到這里，你還在等什么？！PaddleSeg又有用、又好玩，在此強(qiáng)烈建議大家去嘗試。

那么PaddleSeg到底是個(gè)啥呢？去Github上去扒了一下官方的解釋：

PaddleSeg是基于飛槳開發(fā)的端到端圖像分割開發(fā)套件，涵蓋了高精度和輕量級(jí)等不同方向的大量高質(zhì)量分割模型。通過模塊化的設(shè)計(jì)，幫助開發(fā)者完成從訓(xùn)練到部署的全流程圖像分割應(yīng)用。下面就給大家講講PaddleSeg的特點(diǎn)和近期更新的內(nèi)容：

精度全面領(lǐng)先的開源模型

目前PaddleSeg開源了在Cityscapes驗(yàn)證集上達(dá)到87% mIoU的語(yǔ)義分割模型是目前業(yè)界最高精度的實(shí)現(xiàn)。該模型基于Hierarchical Multi-Scale Attention結(jié)構(gòu)，通過損失函數(shù)、訓(xùn)練策略、評(píng)估方法等方面的優(yōu)化，相比HRNet的81.5%更是高出了5.5個(gè)百分點(diǎn)。

https://github.com/PaddlePaddle/PaddleSeg/tree/release/v2.0/contrib/CityscapesSOTA

國(guó)際冠軍都在用的PaddleSeg

PaddleSeg不僅能力覆蓋全面，而且里面的獨(dú)立算法還極其優(yōu)秀！在剛剛結(jié)束的神經(jīng)信息處理系統(tǒng)大會(huì)NeurIPS 2020（Conference and Workshop on Neural Information Processing Systems）上，百度團(tuán)隊(duì)就是使用PaddleSeg中的HRNet一舉奪冠，準(zhǔn)確性得分領(lǐng)先第二名0.37，推理速度更是第二名的7倍！！！目前該代碼已經(jīng)開源，鏈接如下：

https://github.com/PaddlePaddle/PaddleSeg/tree/release/v2.0/legacy/contrib/NeurIPS_SN7

煥然一新的PaddleSeg

是不是感覺PaddleSeg很厲害呢？其實(shí)咱們剛剛看到的只是冰上一角而已！近期，隨著飛槳框架升級(jí)了2.0版本，PaddleSeg也隨之進(jìn)行了升級(jí)。在新的版本中，PaddleSeg提供了：

更加豐富的高精度模型算法：包括20+分割網(wǎng)絡(luò)、50+預(yù)訓(xùn)練模型，模型精度均優(yōu)于其它實(shí)現(xiàn)方式。
優(yōu)秀的動(dòng)轉(zhuǎn)靜功能：PaddleSeg依托飛槳框架集成了優(yōu)秀的動(dòng)轉(zhuǎn)靜功能，讓用戶在部署上具有更好性能。
更加靈活易用的開發(fā)體驗(yàn)：PaddleSeg在原先配置文件運(yùn)行方式之外又新增了API接口調(diào)用方式，更加靈活易用。

下面將為大家細(xì)細(xì)分解！

PaddleSeg全景圖

更加豐富的高精度模型

PaddleSeg支持U-Net，PSPNet，DeepLabV3+，OCRNet等20多種主流分割模型，提供了Xception、MobileNet、ResNet、HRNet等多種骨干網(wǎng)絡(luò)，同時(shí)目前開源的模型的精度均高于業(yè)內(nèi)同類產(chǎn)品的實(shí)現(xiàn)。

為了進(jìn)一步驗(yàn)證PaddleSeg模型的精度，我們分別在兩個(gè)主流數(shù)據(jù)集Cityscapes和PASCAL VOC 2012上和其它同類產(chǎn)品的模型做了詳細(xì)的對(duì)比實(shí)驗(yàn)。

下圖展示了對(duì)比結(jié)果。左邊模型使用ResNet50做為骨干網(wǎng)絡(luò)，右邊模型使用ResNet101做為骨干網(wǎng)絡(luò)。可以看到與其它實(shí)現(xiàn)相比，PaddleSeg模型的精度明顯更加優(yōu)秀！

Cityscapes數(shù)據(jù)集對(duì)比實(shí)驗(yàn)（其中FCN和OCRNet使用HRNet_w18作為主干網(wǎng)絡(luò)）

基于PASCAL VOC 2012數(shù)據(jù)集對(duì)比實(shí)驗(yàn)(FCN和OCRNet使用HRNet_w18作為主干網(wǎng)絡(luò))

優(yōu)秀的動(dòng)轉(zhuǎn)靜功能

基于飛槳框架2.0的PaddleSeg，提供了更加易用完備的動(dòng)態(tài)圖體驗(yàn)。雖然動(dòng)態(tài)圖在訓(xùn)練過程中更加方便調(diào)試，但是在部署上卻明顯吃力。為此飛槳提供了一套模型動(dòng)轉(zhuǎn)靜的方式，在PaddleSeg中僅需添加一個(gè)裝飾器并調(diào)用API接口paddle.jit.save，即可完成模型的轉(zhuǎn)換。具體我們可以看下面的例子：

定義網(wǎng)絡(luò)

import numpy as np
import paddle
# 定義了一個(gè)簡(jiǎn)單全連接網(wǎng)絡(luò)SimpleFcLayer
class SimpleFcLayer(paddle.nn.Layer):
    def __init__(self, batch_size, feature_size, fc_size):
        super(SimpleFcLayer, self).__init__()
        self._linear = paddle.nn.Linear(feature_size, fc_size)
        self._offset = paddle.to_tensor(
            np.random.random((batch_size, fc_size)).astype('float32'))
# 添加裝飾器
    @paddle.jit.to_static
    def forward(self, x):
        fc = self._linear(x)
        return fc + self._offset

模型轉(zhuǎn)換

import paddle

fc_layer = SimpleFcLayer(3, 4, 2)
in_np = np.random.random([3, 4]).astype('float32')
input_var = paddle.to_tensor(in_np)
out = fc_layer(input_var)
# 使用paddle.jit.save接口存儲(chǔ)模型
paddle.jit.save(fc_layer, "./fc_layer_dy2stat", input_spec=[input_var])