Skip to content

Latest commit

 

History

History
 
 

configs

README.md

模型库

模型\骨干网络 ResNet50 ResNet101 HRNetw18 HRNetw48
ANN ✔ ✔
BiSeNetv2 - - - -
DANet ✔ ✔
Deeplabv3 ✔ ✔
Deeplabv3P ✔ ✔
Fast-SCNN - - - -
FCN ✔ ✔
GCNet ✔ ✔
GSCNN ✔ ✔
HarDNet - - - -
OCRNet ✔ ✔
PSPNet ✔ ✔
U-Net - - - -
U2-Net - - - -
Att U-Net - - - -
U-Net++ - - - -
U-Net3+ - - - -
DecoupledSegNet ✔ ✔
EMANet ✔ ✔ - -
ISANet ✔ ✔ - -
DNLNet ✔ ✔ - -
SFNet ✔ - - -
PPSegLite - - - -

模型说明

模型性能参数

Model Backbone Resolution Training Iters mIoU mIoU(flip) mIoU(ms+flip) predict_time(ms)
ANN ResNet101 1024x512 80000 79.50% 79.77% 79.69% 365
BiSeNetv2 / 1024x1024 160000 73.19% 74.19% 74.43% 12
DANet ResNet50 1024x512 80000 80.27% 80.53% / 475
Deeplabv3 ResNet101_OS8 1024x512 80000 80.85% 81.09% 81.54% 314
Deeplabv3P ResNet50_OS8 1024x512 80000 81.10% 81.38% 81.24% 157
Fast-SCNN / 1024x1024 160000 69.31% / / 28
FCN HRNet_W48 1024x512 80000 80.70% 81.24% 81.56% 49
GCNet ResNet101_OS8 1024x512 80000 81.01% 81.30% 81.64% 339
GSCNN ResNet50_OS8 1024x512 80000 80.67% 80.88% 80.88% /
HarDNet / 1024x1024 160000 79.03% 79.49% 79.76% 30
OCRNet HRNet_W48 1024x512 160000 82.15% 82.59% 82.85% 79
PSPNet ResNet101_OS8 1024x512 80000 80.48% 80.74% 81.04% 415
U-Net / 1024x512 160000 65.00% 66.02% 66.89% 63
U^2-Net / 1024x512 160000 71.65% / 148
Att U-Net / / 1024x512 / / / /
U-Net++ / 1024x512 / / / / /
DecoupledSegNet ResNet50_OS8 1024x512 80000 81.26% 81.56% 81.80% 239
EMANet ResNet101_OS8 1024x512 80000 80.00% 80.23% 80.53% 303
ISANet ResNet101_OS8 769x769 80000 80.10% 80.30% 80.26% 304
DNLNet ResNet101_OS8 1024x512 80000 81.03% 81.38% / 303
SFNet ResNet18_OS8 1024x1024 80000 81.49% 81.63% 81.85% 28
  • 表格展示了PaddleSeg所实现的分割模型在取得最高分类精度的配置下的一些评价参数。
  • 其中，mIoU、mIoU(flip)、mIoU(ms+flip)是对模型进行评估的结果。ms 表示multi-scale，即使用三种scale [0.75, 1.0, 1.25]；flip表示水平翻转。
  • 推理时间是使用CityScapes数据集中的图像进行100次预测取平均值的结果。
  • 测试条件为Tesla V100 16GB。

配置项

train_dataset

训练数据集

  • 参数
    • type : 数据集类型，所支持值请参考训练配置文件
    • others : 请参考对应模型训练配置文件

val_dataset

评估数据集

  • 参数
    • type : 数据集类型，所支持值请参考训练配置文件
    • others : 请参考对应模型训练配置文件

batch_size

单张卡上，每步迭代训练时的数据量

iters

训练步数

optimizer

训练优化器

  • 参数
    • type : 优化器类型，目前只支持'sgd'和'adam'
    • momentum : 动量
    • weight_decay : L2正则化的值

lr_scheduler

学习率

  • 参数
    • type : 学习率类型，支持10种策略，分别是'PolynomialDecay', 'PiecewiseDecay', 'StepDecay', 'CosineAnnealingDecay', 'ExponentialDecay', 'InverseTimeDecay', 'LinearWarmup', 'MultiStepDecay', 'NaturalExpDecay', 'NoamDecay'.
    • others : 请参考Paddle官方LRScheduler文档

learning_rate（不推荐使用该配置，将来会被废弃，建议使用lr_scheduler代替）

学习率

  • 参数
    • value : 初始学习率
    • decay : 衰减配置
      • type : 衰减类型，目前只支持poly
      • power : 衰减率
      • end_lr : 最终学习率

loss

损失函数

  • 参数
    • types : 损失函数列表
      • type : 损失函数类型，所支持值请参考损失函数库
      • ignore_index : 训练过程需要忽略的类别，默认取值与train_dataset的ignore_index一致，推荐不用设置此项。如果设置了此项，loss和train_dataset的ignore_index必须相同。
    • coef : 对应损失函数列表的系数列表

model

待训练模型

  • 参数
    • type : 模型类型，所支持值请参考模型库
    • others : 请参考对应模型训练配置文件

export

模型导出配置

  • 参数
    • transforms : 预测时的预处理操作，支持配置的transforms与train_dataset、val_dataset等相同。如果不填写该项，默认只会对数据进行归一化标准化操作。

具体配置文件说明请参照配置文件详解