基于PaddlePadlle的图像分割の新手入门

课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1767.

第五课 PaddleSeg快速体验

本课提要：

• 学习使用预训练好的图像分割模型进行预测
• 初步了解PaddleSeg语义分割库的使用
• 本教程以常见的人像分割任务为例

一、什么是人像分割

人像分割任务旨在识别图像中的人体轮廓，与背景进行分离，返回分割后的二值图、灰度图、前景人像图，适应多个人体、复杂背景、各类人体姿态。可应用于人像扣图、人体特效和影视后期处理等场景。

常用数据库
Pascal VOC的三个主要物体识别竞赛是：分类，检测和分割（classification, detection, and segmentation）。
对于分割任务， VOC2012的trainval包含2007-2011年的所有对应图片， test只包含2008-2011。trainval有 2913张图片共6929个物体。

模型网络
介绍： DeepLabv3+是DeepLab语义分割系列网络的最新作，其前作有 DeepLabv1，DeepLabv2, DeepLabv3, 在最新作中。
Xception是DeepLabv3+原始实现的backbone网络，兼顾了精度和性能，适用于服务端部署。
方法： DeepLab的作者通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层， 其骨干网络使用了Xception模型，提高了语义分割的健壮性和运行速率。
实验： 在 PASCAL VOC 2012 dataset取得新的state-of-art performance，89.0mIOU。

二、在PaddleSeg上实现人像分割

第一步：PaddleSeg安装
下载，解压

第二步：预训练模型下载
下载预训练好的DeeplebV3+ xception65模型。
NOTE： ./pretrained_model为PaddleSeg默认的预训练模型存储目录，因此这里将模型放入该目录下。

第三步：数据准备
本教程挂载了一个小型的数据集，包含少量人像分割图片用于测试，数据集位于./data/data10908/humanseg.zip。
NOTE： ./dataset 为PaddleSeg默认的数据集存储目录，因此这里将测试集放入该目录下。

第四步：模型预测与可视化
pdseg/vis.py是模型预测和可视化的脚本。
PaddleSeg中关于模型的配置记录在configs目录 下的 yaml文件里。

三、实现步骤&代码
实现思路
安装PaddleSeg

代码

# 从PaddleSeg的github仓库下载代码 
git clone https://github.com/Paddl