新特性

• 全新发布2.0-rc版本，全面升级至动态图，支持15+分割模型，4个骨干网络，3个数据集，4种Loss：
  • 分割模型：ANN, BiSeNetV2, DANet, DeeplabV3, DeeplabV3+, FCN, FastSCNN, Gated-scnn, GCNet, HarDNet, OCRNet, PSPNet, UNet, UNet++, U^2Net, Attention UNet
  • 骨干网络：ResNet, HRNet, MobileNetV3, Xception
  • 数据集：Cityscapes, ADE20K, Pascal VOC
  • Loss：CrossEntropy Loss、BootstrappedCrossEntropy Loss、Dice Loss、BCE Loss
• 提供基于Cityscapes和Pascal Voc数据集的高质量预训练模型 40+。
• 支持多卡GPU并行评估，提供了高效的指标计算功能。支持多尺度评估/翻转评估/滑动窗口评估等多种评估方式。

New Features

• Newly release 2.0-rc version, fully upgraded to dynamic graph. It supports 15+ segmentation models, 4 backbone networks, 3 datasets, and 4 types of loss functions:
  • Segmentation models: ANN, BiSeNetV2, DANet, DeeplabV3, DeeplabV3+, FCN, FastSCNN, Gated-scnn, GCNet, OCRNet, PSPNet, UNet, and U^2Net
  • Backbone networks: ResNet, HRNet, MobileNetV3, and Xception
  • Datasets: Cityscapes, ADE20K, and Pascal VOC
  • Loss: CrossEntropy Loss、BootstrappedCrossEntropy Loss、Dice Loss、BCE Loss.
• Provide 40+ high quality pre-trained models based on Cityscapes and Pascal Voc datasets.
• Support multi-card GPU parallel evaluation. This provides the efficient index calculation function. Support multiple evaluation methods such as multi-scale evaluation/flip evaluation/sliding window evaluation.

新特性

• 增加多尺度评估/翻转评估/滑动窗口评估等功能。
• 支持多卡GPU并行评估，提供了高效的指标计算功能。
• 增加Pascal VOC 2012数据集。
• 新增在Pascal VOC 2012数据集上的高精度预训练模型，详见模型库。
• 支持对PNG格式的伪彩色图片进行预测可视化。

New Features

• Add multi-scale/flipping/sliding-window inference.
• Add the fast multi-GPUs evaluation, and high-efficient metric calculation.
• Add Pascal VOC 2012 dataset.
• Add high-accuracy pre-trained models on Pascal VOC 2012, see detailed models.
• Support visualizing pseudo-color images in PNG format while predicting.

• 全面支持Paddle2.0-rc动态图模式，推出PaddleSeg动态图体验版
• 发布大量动态图模型，支持11个分割模型，4个骨干网络，3个数据集：
  • 分割模型：ANN, BiSeNetV2, DANet, DeeplabV3, DeeplabV3+, FCN, FastSCNN, GCNet, OCRNet, PSPNet, UNet
  • 骨干网络：ResNet, HRNet, MobileNetV3, Xception
  • 数据集：Cityscapes, ADE20K, Pascal VOC
• 提供高精度骨干网络预训练模型以及基于Cityscapes数据集的语义分割预训练模型。Cityscapes精度超过82%。

• 丰富Deeplabv3p网络结构，新增ResNet-vd、MobileNetv3两种backbone，满足高性能与高精度场景，并提供基于Cityscapes和ImageNet的预训练模型4个。
• 新增高精度分割模型OCRNet，支持以HRNet作为backbone，提供基于Cityscapes的预训练模型，mIoU超过80%。
• 新增proposal free的实例分割模型Spatial Embedding，性能与精度均超越MaskRCNN。提供了基于kitti的预训练模型。

• 全面升级HumanSeg人像分割模型，新增超轻量级人像分割模型HumanSeg-lite支持移动端实时人像分割处理，并提供基于光流的视频分割后处理提升分割流畅性。
• 新增气象遥感分割方案，支持积雪识别、云检测等气象遥感场景。
• 新增Lovasz Loss，解决数据类别不均衡问题。
• 使用VisualDL 2.0作为训练可视化工具

• 新增适用于实时场景且不需要预训练模型的分割网络Fast-SCNN，提供基于Cityscapes的预训练模型1个。
• 新增LaneNet车道线检测网络，提供预训练模型一个。
• 新增基于PaddleSlim的分割库压缩策略(量化, 蒸馏, 剪枝, 搜索)

• 新增HRNet分割网络，提供基于cityscapes和ImageNet的预训练模型8个
• 支持使用伪彩色标签进行训练/评估/预测，提升训练体验，并提供将灰度标注图转为伪彩色标注图的脚本
• 新增学习率warmup功能，支持与不同的学习率Decay策略配合使用
• 新增图像归一化操作的GPU化功能，进一步提升预测速度。
• 新增Python部署方案，更低成本完成工业级部署。
• 新增Paddle-Lite移动端部署方案，支持人像分割模型的移动端部署。

• 新增PSPNet分割网络，提供基于COCO和cityscapes数据集的预训练模型4个
• 新增Dice Loss、BCE Loss以及组合Loss配置，支持样本不均衡场景下的模型优化
• 支持FP16混合精度训练以及动态Loss Scaling，在不损耗精度的情况下，训练速度提升30%+
• 支持PaddlePaddle多卡多进程训练，多卡训练时训练速度提升15%+
• 发布基于UNet的工业标记表盘分割模型

• PaddleSeg分割库初始版本发布，包含DeepLabv3+, U-Net, ICNet三类分割模型, 其中DeepLabv3+支持Xception, MobileNet两种可调节的骨干网络。共包含预训练模型14个
• CVPR19 LIP人体部件分割比赛冠军预测模型ACE2P发布
• 基于DeepLabv3+网络的人像分割和车道线分割预测模型发布