Hangat di GitHub! Artifak ini adalah sumber terbuka!

Baru-baru ini, syarikat pengeluar kereta baharu utama dunia tidak lagi popular! Editor memang cemburu melihat harga saham yang melambung tinggi. Sesiapa yang mengetahui industri ini tahu bahawa syarikat utama, yang diketuai oleh Tesla, menggunakan penglihatan komputer sebagai asas teknikal untuk pemanduan autonomi Ia adalah melalui teknologi pembahagian imej yang kereta dapat membezakan dengan jelas di mana jalan dan di mana orang ramai.

Adakah saya perlu menekankan sama ada pembahagian imej adalah penting? Suite sumber terbuka yang ingin saya perkenalkan kepada anda hari ini merangkumi algoritma pembahagian imej yang paling canggih dalam industri dan mempunyai hasil yang cemerlang. This is PaddleSeg! ! OMG, apa tunggu lagi? ! Pinggan dia! Pinggan dia! Pinggan dia!

Pada persidangan visi komputer global yang dijadualkan CVPR2021, PaddleSeg sekali lagi bersinar. Antaranya, Cabaran AutoNUE ialah acara yang sangat berpengaruh dalam bidang pemahaman adegan pemanduan autonomi dalam beberapa tahun kebelakangan ini, yang menguji keupayaan algoritma segmentasi semantik peserta dalam persekitaran yang tidak berstruktur. Pasukan Baidu PaddleSeg akhirnya mengalahkan pasukan lain yang mengambil bahagian dan memenangi kejuaraan dengan tempat pertama dalam tiga petunjuk ujian Tahap 1, Tahap 2 dan Tahap 3.

Rakan yang cemas boleh pergi terus ke butiran permainan:

https://bj.bcebos.com/paddleseg/docs/autonue21_presentation_PaddleSeg . pdf

Jadi apakah sebenarnya PaddleSeg itu? Editor pergi ke GitHub untuk mengetahui penjelasan rasmi:

PaddleSeg ialah kit pembangunan segmentasi imej hujung ke hujung yang dibangunkan berdasarkan PaddleSeg, yang merangkumi sejumlah besar model segmentasi berkualiti tinggi dalam arah yang berbeza seperti sebagai ketepatan tinggi dan ringan. Melalui reka bentuk modular, ia membantu pembangun melengkapkan aplikasi pembahagian imej proses penuh daripada latihan kepada penggunaan. Izinkan saya memberitahu anda tentang ciri dan kemas kini terkini PaddleSeg:

Fungsi pembahagian potret telah dipertingkatkan baharu dan penyelesaian penggunaan model ultra-ringan di web disediakan;

Melancarkan penyelesaian segmentasi yang diperhalusi PaddleSeg-Matting;

membuka algoritma pensegmenan panoramik Panoptic-DeepLab, memperkayakan jenis model

mengeluarkan anotasi pintar untuk Alat segmentasi interaktifEI. Sangat meningkatkan kecekapan pelabelan.

Persidangan Video Web

Tilam

Segmentasi Panorama

Segmentasi Interaktif

menyediakan kaedah penggunaan peringkat industri. Kini begitu banyak ciri baharu telah ditambah. Boleh dikatakan bahawa PaddleSeg boleh memenuhi keperluan pembangun dalam semua dimensi dengan cara serba dan tiga dimensi. Saya perlu menyebutnya dengan kuat: ,

Produk yang begitu bagus, mengapa anda tidak segera mendapatkannya?

Alamat pengambilan:

https://github.com/PaddlePaddle/PaddleSeg

Industri Skim pembahagian potret tahap PPSeg

Pensegmenan potret ialah aplikasi yang sangat biasa dalam bidang pembahagian imej Dalam aplikasi praktikal, set data potret datang daripada pelbagai sumber. pengawasan, dsb., gambar Saiz mungkin landskap, potret atau persegi. Terdapat pelbagai senario penggunaan, beberapa aplikasi berada di bahagian pelayan, beberapa aplikasi berada di bahagian mudah alih, dan beberapa aplikasi berada di bahagian web. Untuk tujuan ini, pasukan PaddleSeg telah melancarkan model PPSeg pembahagian potret yang dilatih pada data potret berskala besar untuk memenuhi keperluan berbilang senario penggunaan pada pelayan, mudah alih dan web (Paddle.js).

Model PPSeg telah digunakan secara meluas dalam industri. Baru-baru ini, "Persidangan Video Baidu" juga telah melancarkan fungsi latar belakang maya, yang membolehkan pengguna menukar latar belakang semasa persidangan video. Antaranya, model menukar latar belakang potret menggunakan model ultra ringan dalam siri model PPSeg yang dibangunkan oleh pasukan PaddleSeg. Melalui Paddle.js, ia digunakan di bahagian web dan secara langsung menggunakan kuasa pengkomputeran penyemak imbas untuk melaksanakan pembahagian imej Kesan pembahagian telah diterima dengan baik.

Penjelasan terperinci tentang penyelesaian peringkat industri:

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.2/contrib/HumanSeg

Rakan juga boleh pergi ke halaman utama Baidu untuk mengalami persidangan video Baidu dan secara intuitif mengalami fungsi pembahagian potret yang disediakan oleh PaddleSeg dan Paddle.js.

Penyelesaian Segmentasi Halus PaddleSeg-Matting

Dengan perkembangan teknologi segmentasi, keperluan orang ramai untuk segmentasi halus semakin tinggi dan lebih tinggi. Sebagai contoh, dalam sesetengah industri filem dan televisyen, skrin hijau biasanya digunakan untuk menukar latar belakang penggambaran, tetapi jika matlamatnya bukan untuk merakam di hadapan skrin hijau, adakah ia masih boleh mencapai fungsi pembahagian latar belakang yang baik?

Jawapannya ialah: Ya!

Penyelesaian segmentasi halus sumber terbuka baru-baru ini PaddleSeg-Matting oleh pasukan PaddleSeg menyelesaikan masalah ini dengan baik. Rambut sasaran dibahagikan dengan tepat.

PaddleSeg mencapai ramalan alfa melalui mekanisme penjanaan trimap terbina dalam, yang boleh melengkapkan ramalan tanpa input sebarang maklumat tambahan, sekali gus mengurangkan kos buruh. Kurangkan bilangan parameter rangkaian dengan berkongsi berat pengekod dan gunakan modul perhatian dalam peringkat penyahkod untuk melaksanakan panduan aliran maklumat trimap untuk ramalan alfa. Kemudian gunakan peta ralat untuk mengekstrak tampalan kawasan yang salah anggaran dan perhalusinya melalui sub-rangkaian penapisan untuk mendapatkan alfa akhir.

Alat Anotasi Pintar Segmentasi Interaktif

Industri mempunyai pepatah ini tentang kecerdasan buatan: "Betapa pintarnya pembelajaran mendalam? Begitulah banyak tenaga kerja yang ada.” Ayat ini secara langsung menyatakan rasa sakit di hati pengamal pembelajaran mendalam Lagipun, kualiti model memainkan faktor yang besar, tetapi kos pelabelan data menyebabkan ramai pengamal sakit kepala.

Atas sebab ini, pasukan PaddleSeg telah melancarkan perisian anotasi pintar segmentasi interaktif EISeg. Jadi apakah sebenarnya segmentasi interaktif? Ketahui melalui carta dinamik di bawah.

Tidak sukar untuk mencari bahawa segmentasi interaktif merealisasikan perbandingan melalui satu siri titik hijau (titik positif) dan titik merah ( titik negatif) Untuk pembahagian tepi objek sasaran, arah aplikasi utama pembahagian interaktif ialah penyuntingan imej dan anotasi separa automatik Ia boleh digunakan pada senario seperti anotasi yang diperhalusi, potongan dan pemprosesan pasca imej berbantu (seperti PS). .

Pasukan PaddleSeg dan ahli PaddleCV-SIG telah melancarkan alat segmentasi interaktif berprestasi tinggi pertama dalam industri EISeg berdasarkan algoritma RITM Kami menyokong keseluruhan proses latihan, ramalan dan interaksi model RITM. Model segmentasi interaktif PaddleSeg bukan sahaja menyokong melatih model pemandangan umum yang berkuasa dari awal, tetapi juga menyokong Finetune pada data pemandangan tertentu. Kami menggunakan set data potret binaan sendiri Baidu untuk memperhalusi model dan mendapatkan model segmentasi interaktif potret dengan kelajuan ramalan yang pantas, ketepatan tinggi dan sedikit titik interaksi.

Perisian ini menyediakan pelbagai kaedah pemasangan, menyokong pengguna untuk menggunakan pip dan conda untuk memasang Selain itu, fail exe boleh laku disediakan di bawah tetingkap. exe untuk menjalankan program.

Panoptic-DeepLab

Segmentasi Panoptic ialah bidang baharu yang telah muncul dalam bidang segmentasi imej sejak beberapa tahun kebelakangan ini. Ia mula dicadangkan oleh FAIR dan Universiti Heidelberg pada 2018.

Apakah itu segmentasi panorama?

Maklumat imej boleh dibahagikan kepada benda dan barangan, di mana benda mewakili objek boleh dikira, seperti kereta, haiwan, dll., dan barangan mewakili objek tidak boleh dikira, seperti pantai, langit, dll. . Tugas pembahagian semantik tidak memberi perhatian kepada sama ada imej itu adalah barang atau benda, tetapi hanya memfokuskan pada kategori semantik yang dimiliki oleh setiap piksel, jadi ia tidak dapat membezakan objek contoh. Pembahagian contoh memfokuskan pada pembahagian perkara, mengenal pasti perkara dalam imej, membezakan kejadian individu yang berbeza dan maklumat semantik yang sepadan, dan kawasan bahan diwakili secara seragam sebagai latar belakang. Segmentasi panoramik ialah teknologi yang menggabungkan segmentasi semantik dan segmentasi contoh Untuk perkara, kejadian individu yang berbeza dan maklumat semantik yang sepadan dikenal pasti.

Panoptic DeepLab mencapai prestasi tercanggih buat kali pertama dalam bentuk algoritma pembotolan dan pukulan tunggal Berbanding dengan algoritma atas ke bawah, Panoptic DeepLab mencapai ketepatan dan kelajuan dengan rangkaian yang mudah struktur, mencipta satu hala tuju baharu untuk algoritma pensegmenan panoramik Kedudukan teratas semasa pensegmenan panorama Cityscape adalah berdasarkan algoritma ini.

Pandangan penuh PaddleSeg

• Barisan algoritma semua bintang

20 Algoritma segmentasi semantik berketepatan tinggi secara menyeluruh mendahului rangka kerja yang serupa, dan model 50 pra-latihan mempunyai algoritma segmentasi panorama baharu, memperkayakan senario aplikasi. Menyediakan algoritma pembahagian potret berketepatan tinggi HumanSeg untuk memenuhi penggunaan berbilang hujung.

• Pengerahan rantaian industri penuh

Bukan sahaja menyokong sepenuhnya pembangunan grafik dinamik, ia boleh melengkapkan penukaran dengan lancar grafik dinamik; ia juga Seluruh proses dan pautan seperti prapemprosesan data, latihan dan penalaan algoritma, pemampatan, dan penggunaan berbilang terminal disambungkan dengan lancar, yang meningkatkan kemudahan penggunaan pembangunan pengguna dan mempercepatkan kelajuan aplikasi industri algoritma. Khususnya, Paddle.js menyokong penggunaan sisi web, memberikan lebih banyak kemungkinan untuk penempatan sisi web.

Apa tunggu lagi? ! Produk berkualiti tinggi yang dibangunkan dengan berhati-hati, mengapa tidak tergesa-gesa dan kumpulkannya dalam koleksi Star anda!

Portal:

https://github.com/PaddlePaddle/PaddleSeg