飞桨图像分割套件PaddleSeg初探
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。
PaddleSeg环境安装
源码安装PaddleSeg
# 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
使用pip安装
pip install paddleseg确认环境安装成功
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快速入门
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
准备数据
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 ..准备配置文件
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
模型训练
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。
模型评估
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模型预测
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。
