飞桨（PaddlePaddle）带我飞 图像分割7日打卡营学习体会
0.课程
课程链接：https://aistudio.baidu.com/aistudio/course/introduce/1767
1. PaddleSeg 基本情况
1.1 在github、gitee位置
https://gitee.com/paddlepaddle/PaddleSeg.git
https://github.com/paddlepaddle/PaddleSeg.git
二话不说，star先
1.2 简介
PaddleSeg是基于PaddlePaddle开发的端到端图像分割开发套件，覆盖了DeepLabv3+, U-Net, ICNet, PSPNet, HRNet, Fast-SCNN等主流分割网络。通过模块化的设计，以配置化方式驱动模型组合，帮助开发者更便捷地完成从训练到部署的全流程图像分割应用。
1.3 特点
- 丰富的数据增强
基于百度视觉技术部的实际业务经验，内置10+种数据增强策略，可结合实际业务场景进行定制组合，提升模型泛化能力和鲁棒性。
- 模块化设计
支持U-Net, DeepLabv3+, ICNet, PSPNet, HRNet, Fast-SCNN六种主流分割网络，结合预训练模型和可调节的骨干网络，满足不同性能和精度的要求；选择不同的损失函数如Dice Loss, Lovasz Loss等方式可以强化小目标和不均衡样本场景下的分割精度。
- 高性能
PaddleSeg支持多进程I/O、多卡并行等训练加速策略，结合飞桨核心框架的显存优化功能，可大幅度减少分割模型的显存开销，让开发者更低成本、更高效地完成图像分割训练。
- 工业级部署
全面提供服务端和移动端的工业级部署能力，依托飞桨高性能推理引擎和高性能图像处理实现，开发者可以轻松完成高性能的分割模型部署和集成。通过Paddle-Lite，可以在移动设备或者嵌入式设备上完成轻量级、高性能的人像分割模型部署。
- 产业实践案例
PaddleSeg提供丰富地产业实践案例，如人像分割、工业表计检测、遥感分割、人体解析，工业质检等产业实践案例，助力开发者更便捷地落地图像分割技术。
2.【课程大纲】
2.1 DAY1（10月19日）
1.图像分割综述
2.语义分割初探
3.环境搭建与飞桨动态图实战演示
4.语义分割的数据格式和处理
2.2 DAY2（10月20日)
1.FCN全卷积网络结构详解
2.飞桨中的上采样操作实践
3.飞桨实现FCN
2.3 DAY3（10月21日)
1.U-Net模型与PSPNet模型详解
2.飞桨实现UNet/PSPNet
3.飞桨实现DilatedResnet
4.分割网络loss和metrics实现
2.4 DAY4（10月22日）
1.Dilated Conv 原理和细节
2.ASPP模块解析
3.DeepLab系列详解
4.实现DeepLabV3/ASPP/MultiGrid
5.分割网络loss和metrics实现
2.5 DAY5（10月23日）
1.深入解析GCN（图卷积网络）
2.Graph-based Segmentation多个方法详解 (GloRe, GCU, GINet)
3.GCN代码简要解析
4.在Pascal Context上实现GloRe
2.6 DAY6（10月24日）
1.实例分割与全景分割概述
2.实例分割：Mask R-CNN和SOLO
3.全景分割：PanapticFPN和UPSNet
2.7 DAY7（10月25日)
1.主流分割数据集介绍
2.最近研究进展探讨
3.课程总结与Q&A
2.1 DAY8（10月27日）
结营典礼
3.心得体会
- 1.通过学习，初步了解学习了图像分割理论，不再是单纯使用module的机器人了；
- 2.通过跟老师手敲代码，加深了印象，提高了图-代码的**超（抄）**能力；
- 3.课程有一定难度，对于老师来说比较简单，对于小白的我来说，需要反复对照视频讲解、幻灯片、代码来理解；
- 4.自己时间有限，许多没理解到位，有时候思路会断，看录播是很不错的经验；
4.手敲代码优缺点
4.1 优点
手敲代码模式很有用，优点是可以直观理解思路
4.2 缺点
缺点是特别耗时间，特别是有时候思路跟不上的时候，觉得有点黑盒
朱老师、伍老师很认真，特别是在工作之余给大家讲课，付出满满，特别辛苦，再次一万次感谢！！！
5.paddleseg应用示例
https://aistudio.baidu.com/aistudio/projectdetail/1115992