百度的Paddle这几年发展十分迅速，而且文档十分齐全，涉及到机器视觉的多个应用领域，感觉还是非常牛的，各种backbone，损失函数、数据增强手段以及NMS等，整体感觉复现的很全面，值得推荐学习。
本文主要是基于Paddle实现实例分割算法。
Github地址：https://github.com/PaddlePaddle/PaddleDetection
官方文档：
https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.5/docs/tutorials/GETTING_STARTED_cn.md
1. 安装paddle库
首先需要先安装paddle库，两种安装方式：
1.1 在线安装参考如下网址，直接输入指令即可：
https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/linux-pip.html
1.2 离线安装去如下网址下载对应的库：
https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
下载对应python版本的库，需要根据自己的cuda版本，python版本选择对应的包，比如我这边是cuda11.2，python3.7，下载的安装包就是：paddlepaddle_gpu-2.4.1.post112-cp37-cp37m-linux_x86_64.whl
pip install paddlepaddle_gpu-2.4.1.post112-cp37-cp37m-linux_x86_64.whl
进入python编译器，import paddle，如果不报错表示安装成功，输入 paddle.utils.run_check()如果出现PaddlePaddle is installed successfully!
2. 安装PaddleDetection
pip install -r requirements.txt
python setup.py install
3. 实例分割介绍
Paddle在PaddleDetection里面一共复现了三种实例分割算法，Mask R-CNN，Cascade Mask RCNN和SoloV2，综合效率和性能，SoloV2还是比较值得重点研究的。
3.1 模型训练
预训练模型下载：
https://paddledet.bj.bcebos.com/models/pretrained/ResNet50_cos_pretrained.pdparams
训练
python tools/train.py -c configs/solov2/solov2_r50_fpn_3x_coco.yml --eval -o use_gpu=true
图片输入尺寸、batch_size可以在solov2_reader.yml中修改TrainReader
训练集修改主要是solov2_r50_fpn_3x_coco.yml中更改，如果是coco数据集，则去修改config/coco_instance.yml，里面可以配置训练集测试集路径，标签文件路径等
3.2 模型推理测试：
单张图片测试
python tools/infer.py -c configs/solov2/solov2_r50_fpn_3x_coco.yml --infer_img=demo/000000570688.jpg -o weights=./models/solov2_r50_fpn_3x_coco.pdparams
相比于Solov2论文给的代码，Paddle复现的solov2在精度上略有提升，按官方的说法，主要是更强的backbone，更鲁棒的预训练模型。
我尝试了batch_size设为1，使用res50和coco训练集进行训练，图片输入尺寸改成512（长边），训练时，显存消耗为2.9GB，感觉还是比较友好的。
