CoinCheung/BiSeNet

解决的问题

本项目提供了 BiSeNetV1 和 BiSeNetV2 的高性能实现，这是专为实时语义分割设计的深度学习架构。它解决了在各种硬件平台上以高帧率执行精确图像分割的需求。

运作方式

本项目实现了两个版本的 BiSeNet 架构，使模型能够将图像中的每个像素分类为特定类别（例如：道路、汽车、行人）。它包含在 Cityscapes、COCO-Stuff 和 ADE20K 等标准数据集上训练、评估和微调这些模型的工具。为了确保生产环境中的效率，本项目提供了 TensorRT、NCNN、OpenVINO 和 Triton Inference Server 的部署指南。

适用对象

本项目旨在协助计算机视觉工程师和研究人员，在自动驾驶或机器人等需要低延迟和高吞吐量的应用中实现实时语义分割。

特色

• 实时性能：在 Cityscapes 数据集上实现高 FPS（int8 精度下高达 426 FPS）。
• 多平台部署：包含对 TensorRT、NCNN、OpenVINO 和 Triton Inference Server 的明确支持。
• 灵活评估：支持单尺度、多尺度和裁剪评估方法。
• 预训练权重：提供多个基准数据集的权重下载。