人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载本篇技术指南围绕飞桨图像分割套件 PaddleSeg 的官方安装文档展开系统讲解从环境准备、PaddlePaddle 框架安装、PaddleSeg 本体安装到安装验证、Docker 快速体验的完整流程。无论你是准备基于 PaddleSeg 二次开发新增模型、损失函数的算法工程师还是只想调用现成接口做推理的业务开发者读完本文都能掌握一套可复制、可验证的安装实操方案。1 安装前的环境要求在动手安装之前先确认本机环境满足 PaddleSeg 官方文档列出的最低要求。需要注意这些约束主要来自 PaddlePaddle 框架本身对操作系统、Python 版本与 CUDA 工具链的兼容性要求环境项要求说明操作系统64 位操作系统支持 Linux / Windows / macOS 等主流平台PythonPython 33.6 / 3.7 / 3.8 / 3.9 / 3.10且为 64 位版本从源码结构看setup.py 中的 classifiers 也声明了 Python 3.6 / 3.7 支持pippip / pip39.0.164 位版本建议使用较新的 pip 以获得更完整的依赖解析CUDA 10.2仅使用 GPU 版本镜像 / GPU 版本 PaddlePaddle 时需要cuDNN 7.6与 CUDA 配套安装用于加速卷积运算PaddlePaddle版本 2.5安装文档明确要求不低于 2.4推荐安装最新版本下文给出了验证与查看版本的具体方法其中 CUDA、cuDNN 仅在安装 GPU 版 PaddlePaddle 时才涉及。若你只做 CPU 推理可跳过这两个约束但请注意分割模型计算开销较大官方英文文档也明确建议优先安装 GPU 版本否则运行模型时可能出现显存/内存不足Out of Memory的情况。2 安装 PaddlePaddle 框架PaddleSeg 运行在飞桨 PaddlePaddle 框架之上因此第一步是安装 PaddlePaddle。官方提供了在线安装指引快速安装文档与详细安装文档这里给出文档中的典型示例。2.1 pip 安装 GPU 版本例如在 Linux、CUDA 10.2 环境下使用 pip 安装 GPU 版本 PaddlePaddle可执行如下命令使用了清华 PyPI 镜像加速下载python -m pip install paddlepaddle-gpu2.4.2 -i https://pypi.tuna.tsinghua.edu.cn/simple安装时请根据你本地的 CUDA 版本选择对应的paddlepaddle-gpu版本号。若没有 GPU 或不需要 GPU 加速则安装 CPU 版本paddlepaddle即可。2.2 验证安装并查看版本在 Python 解释器中逐条执行下列命令即可确认 PaddlePaddle 是否安装成功并查看版本号# 在Python解释器中顺利执行如下命令 import paddle paddle.utils.run_check() # 如果命令行出现以下提示说明PaddlePaddle安装成功 # PaddlePaddle is installed successfully! Lets start deep learning with PaddlePaddle now. # 查看PaddlePaddle版本 print(paddle.__version__)paddle.utils.run_check()会执行框架自检并打印安装成功的提示信息paddle.__version__输出的版本号应当满足不低于 2.4推荐 2.5的要求与上文环境要求表保持一致。3 安装 PaddleSeg 本体PaddleSeg 提供两种安装方式官方文档给出了明确的选型建议源码安装适用于需要基于 PaddleSeg 进行开发和调试的场景例如新增模型、修改损失函数安装发布的 PaddleSeg 包适用于仅调用 PaddleSeg 完成训练、预测等常规任务的场景。3.1 方式一源码安装推荐开发调试首先从代码仓库克隆 PaddleSeg 源码。如果网络环境无法访问 GitHub可改用 Gitee 镜像但需要注意 Gitee 上的代码可能不是最新版本git clone https://github.com/PaddlePaddle/PaddleSeg或git clone https://gitee.com/paddlepaddle/PaddleSeg.git克隆完成后进入源码根目录依次执行依赖安装与可编辑安装cd PaddleSeg pip install -r requirements.txt pip install -v -e .这里的关键点在于最后一条命令中的-eeditable可编辑模式参数它会在当前环境中注册 paddleseg 包但包的代码仍然指向源码目录。因此你对PaddleSeg/paddleseg目录下代码的修改会立即生效无需重新安装非常适合开发调试场景。为了帮助大家理解依赖构成下面列出仓库根目录 requirements.txt 中声明的第三方依赖及其作用依赖包版本约束用途pyyaml 5.1解析 PaddleSeg 的 YAML 配置文件visualdl 2.2.0训练过程可视化配合--use_vdl使用opencv-python 4.6.0图像读取与预处理tqdm-训练 / 预测进度条filelock-文件锁用于多进程场景scipy-科学计算prettytable-表格化输出评估结果scikit-learn-评估指标计算scikit-image-图像处理此外从 setup.py 的源码可以看到PaddleSeg 包名为paddleseg通过find_packages(include[paddleseg, paddleseg.*])收集 paddleseg 目录下所有子包install_requires直接读取上述requirements.txt内容其下的coretrain/val/predict/export 核心流程、cvlibs配置与构建器、models125 个模型与骨干网络、datasets、transforms、utils等模块共同构成了完整的训练-评估-预测-导出链路。3.2 方式二安装发布的 PaddleSeg 包如果你只是调用 PaddleSeg不修改其内部实现执行如下命令安装 PyPI 上发布的包即可pip install paddleseg该方式安装的是预编译好的发行包安装快、无需编译但不便于对paddleseg内部代码进行调试修改。4 验证环境安装成功安装完成后官方文档提供了一条一行命令的验证方案在 PaddleSeg 根目录下执行sh tests/install/check_predict.sh该脚本会执行一次简单的单卡预测观察终端输出的 log只要没有报错即代表环境安装成功之后就可以使用配置化方式Config Method进行训练、评估、测试与模型导出。下面拆解 tests/install/check_predict.sh 脚本内容帮助理解它到底做了什么python tools/predict.py \ --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \ --model_path https://paddleseg.bj.bcebos.com/dygraph/optic_disc/pp_liteseg_optic_disc_512x512_1k/model.pdparams \ --image_path docs/images/optic_test_image.jpg \ --save_dir output/result可以看到验证流程本质上是调用 tools/predict.py 完成一次端到端预测--config指定验证用配置文件 configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml该文件基于 PPLiteSeg STDC2 骨干网络构建视盘分割模型--model_path指向官方托管的预训练权重下载地址模型会自动下载并加载--image_path指定测试图片 docs/images/optic_test_image.jpg--save_dir指定预测结果保存目录。从 tools/predict.py 的参数定义parse_args部分可以看出predict.py还支持更多实用选项例如--device可切换cpu / gpu / xpu / npu / mlu推理设备--device_id指定设备编号--aug_pred开启多尺度与翻转预测增强--is_slide配合--crop_size、--stride使用滑窗方式预测大图以及--custom_color自定义预测结果配色、--use_multilabel开启多标签模式等。验证脚本能跑通意味着 Python 环境、PaddlePaddle 框架、paddleseg 包以及第三方依赖opencv、pyyaml 等都已正确就位。5 使用 Docker 快速体验 PaddleSeg如果你不想在本机逐步搭建环境PaddleSeg 官方还提供了 Docker 镜像方案。Docker 是一种开源工具用于在和系统本身环境相隔离的环境中构建、发布和运行各类应用程序。使用 Docker 前需要先安装 Docker 运行环境如果准备使用 GPU 版本镜像还需要提前安装好 nvidia-docker 以打通容器内的 GPU 访问能力。官方已发布包含最新 PaddleSeg 代码的 Docker 镜像并且预先安装好了所有环境和库依赖。你只需要拉取并运行 docker 镜像无需任何其他额外操作即可开始使用 PaddleSeg 的全部功能。官方镜像发布在 Docker Hub 的 paddlecloud/paddleseg 仓库下提供 CPU、GPU、ROCm 三种环境版本可以按需选择对应的 tag 拉取如果对自动化制作 Docker 镜像感兴趣或有自定义镜像需求可以进一步了解 PaddlePaddle/PaddleCloud 项目中基于 Tekton 的镜像构建方案。6 安装完成后的下一步环境验证通过后就具备了完整的 PaddleSeg 开发能力。推荐的下一步路径是跑通一个完整示例参考 快速开始下载视盘分割数据集使用tools/train.py训练、tools/val.py评估、tools/predict.py预测走通「数据准备 → 配置 → 训练 → 评估 → 预测」全流程查阅配置文件机制PaddleSeg 采用配置化驱动方式开发配置文件 中集中定义了模型、骨干网络、损失函数、优化器、学习率策略与数据集等信息理解配置结构是后续训练自定义模型的基础模型导出与部署训练完成后可使用tools/export.py导出预测模型再结合仓库 deploy 目录下的 C、Python、服务化、端侧等部署方案落地实际业务。安装过程中若遇到问题请优先核对本文「环境要求」表格中的版本约束Python 位数、CUDA/cuDNN 版本、PaddlePaddle 版本是否不低于 2.4大多数失败场景都源于版本不匹配。赞分享人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载相关推荐IPython 安装完全指南pip 快速安装、依赖解析与开发版源码安装IPython 安装完全指南pip 快速安装、依赖解析与开发版源码安装 IPython 是面向交互式计算的高级 Python 命令 Shell本文以官方安装开发工具CLIgoogle-images-download 安装完全指南pip 安装、源码手动安装与安装后验证google images download 安装完全指南pip 安装、源码手动安装与安装后验证 本篇技术指南以 google images download网页爬虫CLIPaddleSeg 安装与部署环境搭建指南从环境要求、源码/预编译安装到 Docker 快速体验PaddleSeg 安装与部署环境搭建指南从环境要求、源码/预编译安装到 Docker 快速体验 PaddleSeg 是百度飞桨PaddlePaddle生人工智能计算机视觉预训练上一篇MinIO控制台启动时与SUBNET通信问题的技术分析下一篇解决nbfc-linux风扇控制异常从EC通信到传感器校准的深度解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考