下图展示了COCO预训练模型的推理吞吐量与验证mIoU的对比可视化。吞吐量使用单块V100 GPU和批量大小16进行测量。

提示

模型名称包含训练信息。例如，fcn_resnet50_voc

• fcn 表示算法是“用于语义分割的全卷积网络（Fully Convolutional Network for Semantic Segmentation）” [2]_。

• resnet50 是骨干网络的名称。

• voc 是训练数据集。

语义分割

预训练语义分割模型及其性能表格。

提示

测试脚本 下载 test.py 可用于评估模型（VOC结果使用官方服务器评估）。例如 fcn_resnet50_ade

python test.py --dataset ade20k --model-zoo fcn_resnet50_ade --eval

训练命令适用于此脚本： 下载 train.py

ADE20K数据集

名称	方法	像素准确率	mIoU	命令	日志
fcn_resnet50_ade	FCN [2]_	79	39.5	shell脚本	日志
fcn_resnet101_ade	FCN [2]_	80.6	41.6	shell脚本	日志
psp_resnet50_ade	PSP [3]_	80.1	41.5	shell脚本	日志
psp_resnet101_ade	PSP [3]_	80.8	43.3	shell脚本	日志
deeplab_resnet50_ade	DeepLabV3 [4]_	80.5	42.5	shell脚本	日志
deeplab_resnet101_ade	DeepLabV3 [4]_	81.1	44.1	shell脚本	日志
deeplab_resnest50_ade	DeepLabV3 + ResNeSt [4]_ [9]_	81.2	45.1	shell脚本	日志
deeplab_resnest101_ade	DeepLabV3 + ResNeSt [4]_ [9]_	82.1	46.9	shell脚本	日志
deeplab_resnest200_ade	DeepLabV3 + ResNeSt [4]_ [9]_	82.5	48.4
deeplab_resnest269_ade	DeepLabV3 + ResNeSt [4]_ [9]_	82.6	47.6	shell脚本	日志

MS-COCO数据集预训练

名称	方法	像素准确率	mIoU	命令	日志
fcn_resnet101_coco	FCN [2]_	92.2	66.2	shell脚本	日志
psp_resnet101_coco	PSP [3]_	92.4	70.4	shell脚本	日志
deeplab_resnet101_coco	DeepLabV3 [4]_	92.5	70.4	shell脚本	日志

Pascal VOC数据集

名称	方法	像素准确率	mIoU	命令	日志
fcn_resnet101_voc	FCN [2]_	不适用	83.6	shell脚本	日志
psp_resnet101_voc	PSP [3]_	不适用	85.1	shell脚本	日志
deeplab_resnet101_voc	DeepLabV3 [4]_	不适用	86.2	shell脚本	日志
deeplab_resnet152_voc	DeepLabV3 [4]_	不适用	86.7	shell脚本	日志

Cityscapes数据集

名称	方法	像素准确率	mIoU	命令	日志
psp_resnet101_citys	PSP [3]_	96.4	79.9	shell脚本	日志
deeplab_resnet50_citys	DeepLabV3 [4]_	96.3	78.7	shell脚本	日志
deeplab_resnet101_citys	DeepLabV3 [4]_	96.4	79.4	shell脚本	日志
danet_resnet50_citys	DANet [7]_	96.3	78.5	shell脚本	日志
danet_resnet101_citys	DANet [7]_	96.5	80.1	shell脚本	日志
icnet_resnet50_citys	ICNet [5]_	95.5	74.5	shell脚本	日志
fastscnn_citys	FastSCNN [8]_ [10]_	95.1	72.3	shell脚本	日志
deeplab_v3b_plus_wideresnet_citys	VPLR [6]_	不适用	83.5	shell脚本	日志

MHP-V1数据集

名称	方法	像素准确率	mIoU	命令	日志
icnet_resnet50_mhpv1	ICNet [5]_	90.5	44.5	shell脚本	日志

实例分割

预训练实例分割模型及其性能表格。

提示

训练命令适用于以下脚本

• 对于Mask R-CNN网络：下载 train_mask_rcnn.py

对于COCO数据集，训练图像集是train2017，验证图像集是val2017。

IoU阈值0.5:0.95的平均精度（平均10个值）、0.5和0.75以(AP 0.5:0.95)/(AP 0.5)/(AP 0.75)的格式一起报告。

对于实例分割任务，会评估并报告基于边界框重叠和基于分割重叠的AP。

MS COCO

模型	边界框AP	分割AP	命令	训练日志
mask_rcnn_resnet18_v1b_coco	31.2/51.1/33.1	28.4/48.1/29.8	shell脚本	日志
mask_rcnn_fpn_resnet18_v1b_coco	34.9/56.4/37.4	30.4/52.2/31.4	shell脚本	日志
mask_rcnn_resnet50_v1b_coco	38.3/58.7/41.4	33.1/54.8/35.0	shell脚本	日志
mask_rcnn_fpn_resnet50_v1b_coco	39.2/61.2/42.2	35.4/57.5/37.3	shell脚本	日志
mask_rcnn_resnet101_v1d_coco	41.3/61.7/44.4	35.2/57.8/36.9	shell脚本	日志
mask_rcnn_fpn_resnet101_v1d_coco	42.3/63.9/46.2	37.7/60.5/40.0	shell脚本	日志