模型简介

模型介绍：在本文中，我们用一种新的双边分割网络（BiSeNet）设计一个小跨步的空间路径，以保存空间信息和生成高分辨率功能。同时，一个快速的上下文路径为了获得足够的感受野，采用了下采样策略。在这两条路径的基础上，我们引入了一个新的特征融合模块有效地组合功能。提议的架构是正确的城市景观的速度和细分性能之间的平衡，CamVid和COCO数据集。具体来说，对于2048×1024输入，我们在Cityscapes测试数据集上以极快的速度实现了68.4%的平均IOU在一张NVIDIA Titan XP卡上每秒105帧，速度明显更快与现有的性能相当的方法相比。官方论文：https://arxiv.org/pdf/1808.00897v1.pdf

• 1. 使用方法

• 1.1. 模型训练

• 1.2. 模型测试

• 2. 模型来源

1. 使用方法

1.1. 模型训练

进入终端，在root/PaddleSeg（默认）路径下，输入以下命令：

python train.py \
        --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \
        --do_eval \
        --use_vdl \
        --save_interval 500 \
        --save_dir output

1.2. 模型测试

进入终端，在root/PaddleSeg（默认）路径下，输入以下命令：

python predict.py \
       --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \
       --model_path https://bj.bcebos.com/paddleseg/dygraph/optic_disc/bisenet_optic_disc_512x512_1k/model.pdparams\
       --image_path docs/images/optic_test_image.jpg \
       --save_dir output/result

2. 模型来源

https://github.com/JaidedAI/EasyOCR