飞桨(PaddlePaddle)是国内唯一功能完备的端到端开源深度学习平台，集深度学习训练和预测框架、模型库、工具组件和服务平台为一体，拥有兼顾灵活性和高性能的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化服务支持的五大优势，致力于让深度学习技术的创新与应用更简单。
Paddle Fluid v1.5发布——正式发布动态图Preview版并提供 7个模型动态图版本官方实现。PaddleHub共提供40+预训练模型，覆盖文本、图像、视频三大领域八类模型，并全面提升易用性，发布PaddleHub官网。
模型压缩框架PaddleSlim新增基于模拟退火的自动剪切策略和轻量级模型结构自动搜索功能(Light-NAS)。官方模型库正式发布PaddleDetection物体检测统一框架、图像生成库PaddleGAN；升级视频识别与定位工具集PaddleVideo；发布PaddleNLP-Research，包含百度在 NLP 领域最新研究工作。
PaddleSeg是基于PaddlePaddle开发的语义分割库，覆盖了DeepLabv3+, U-Net, ICNet三类主流的分割模型。通过统一的配置，帮助用户更便捷地完成从训练到部署的全流程图像分割应用。
PaddleSeg具备高性能、丰富的数据增强、工业级部署、全流程应用的特点:
- 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。
- 主流模型覆盖，支持U-Net, DeepLabv3+, ICNet三类主流分割网络，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。
- 高性能，PaddleSeg支持多进程IO、多卡并行、跨卡Batch Norm同步等训练加速策略，结合飞桨核心框架的显存优化功能，可以大幅度减少分割模型的显存开销，更快完成分割模型训练。
- 工业级部署，基于Paddle Serving和PaddlePaddle高性能预测引擎，结合百度开放的AI能力，轻松搭建人像分割和车道线分割服务。
使用教程
提供了一系列的使用教程，来说明如何使用PaddleSeg完成语义分割模型的训练、评估、部署。这一系列的文档被分为快速入门、基础功能、预测部署、高级功能四个部分，四个教程由浅至深地介绍PaddleSeg的设计思路和使用方法。
1.安装PaddlePaddle
2.下载PaddleSeg代码
3.训练/评估/可视化
PaddleSeg提供了训练/评估/可视化等三个功能的使用脚本。三个脚本都支持通过不同的Flags来开启特定功能，也支持通过Options来修改默认的训练配置。三者的使用方式非常接近，如下：
启动TensorBoard命令后，我们可以在浏览器中查看对应的训练数据 在SCALAR这个tab中，查看训练loss、iou、acc的变化趋势:
在IMAGE这个tab中，查看样本的预测情况
模型评估
训练完成后，我们可以通过eval.py来评估模型效果。由于我们设置的训练EPOCH数量为100，保存间隔为10，因此一共会产生10个定期保存的模型，加上最终保存的final模型，一共有11个模型。我们选择最后保存的模型进行效果的评估：
模型可视化
通过vis.py来评估模型效果，我们选择最后保存的模型进行效果的评估：
