我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

Bisenet

2022-03-05 enet:ubuntu18.04-cuda11.1.1-cudnn8-python3.8-pytorch1.8.0-new

模型标签
图像分割图像分类智慧交通/自动驾驶智慧医疗安防监控

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

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
参数 说明
cfg CFG model.yaml文件的路径
do_eval 需要验证
use_vdl 用vdl验证集
save_interval 每隔500个epoch保存一次训练结果
save_dir output 训练结果保存路径

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
参数 说明
model_path 模型权重下载路径
image_path 待检测照片路径

2. 模型来源

https://github.com/JaidedAI/EasyOCR