mirror of https://github.com/PaddlePaddle/FastDeploy.git synced 2025-10-06 17:17:14 +08:00

Files

huangjianhui d794810f10 [Bug Fix ]Update ppseg visualize python api && demo (#454 )

Update ppseg visualize python api && demo

2022-10-28 20:38:05 +08:00

2022-10-28 20:38:05 +08:00

2022-10-28 20:38:05 +08:00

Update README.md

2022-10-20 17:47:48 +08:00

README.md

2022-10-26 21:37:01 +08:00

PaddleSeg 模型部署

模型版本说明

目前FastDeploy支持如下模型的部署

【注意】如你部署的为PP-Matting、PP-HumanMatting以及ModNet请参考Matting模型部署

PaddleSeg模型导出，请参考其文档说明模型导出

注意

PaddleSeg导出的模型包含model.pdmodel、model.pdiparams和deploy.yaml三个文件，FastDeploy会从yaml文件中获取模型在推理时需要的预处理信息
aarch64平台（如：Jetson）暂时只支持onnxruntime和tensorrt作为后端推理（不支持非固定shape的图片输入即动态输入）。因此，必须指定--input_shape导出具有固定输入的PaddleSeg模型（FastDeploy会在预处理阶段，对原图进行resize操作）
在使用其他平台（如：Windows、Mac、Linux），在导出PaddleSeg模型模型时，可指定--input_shape参数（当想采用onnxruntime或tensorrt作为后端进行推理）。但是，若输入的预测图片尺寸并不固定，建议使用默认值即不指定该参数（同时采用Paddle Inference或者OpenVino作为后端进行推理）

为了方便开发者的测试，下面提供了PaddleSeg导出的部分模型（导出方式为：不指定--input_shape，指定--output_op none），开发者可直接下载使用。

模型	参数文件大小	输入Shape	mIoU	mIoU (flip)	mIoU (ms+flip)
Unet-cityscapes	52MB	1024x512	65.00%	66.02%	66.89%
PP-LiteSeg-T(STDC1)-cityscapes	31MB	1024x512	77.04%	77.73%	77.46%
PP-HumanSegV1-Lite(通用人像分割模型)	543KB	192x192	86.2%	-	-
PP-HumanSegV2-Lite(通用人像分割模型)	12MB	192x192	92.52%	-	-
PP-HumanSegV2-Mobile(通用人像分割模型)	29MB	192x192	93.13%	-	-
PP-HumanSegV1-Server(通用人像分割模型)	103MB	512x512	96.47%	-	-
Portait-PP-HumanSegV2_Lite(肖像分割模型)	3.6M	256x144	96.63%	-	-
FCN-HRNet-W18-cityscapes	37MB	1024x512	78.97%	79.49%	79.74%
Deeplabv3-ResNet101-OS8-cityscapes	150MB	1024x512	79.90%	80.22%	80.47%