代码拉取完成，页面将自动刷新
同步操作将从 PaddlePaddle/PaddleSeg 强制同步，此操作会覆盖自 Fork 仓库以来所做的任何修改，且无法恢复！！！
确定后同步将在后台操作，完成时将刷新页面，请耐心等待。
简体中文 | English
为了让大家快速了解PaddleSeg，本文档使用一个简单示例进行演示。在实际业务中，建议大家根据实际情况进行调整适配。
在开始下面示例之前，请大家确保已经安装好PaddleSeg开发环境（安装说明）。
本示例将使用视盘分割（optic disc segmentation）数据集，数据集的原始图像和分割效果图如下所示。
通过以下命令可以下载视盘分割数据集(下载链接），解压保存到PaddleSeg/data目录下。
cd PaddleSeg
mkdir data && cd data
wget https://paddleseg.bj.bcebos.com/dataset/optic_disc_seg.zip
unzip optic_disc_seg.zip
cd ..
我们常用PaddleSeg配置化驱动方式进行开发，配置文件是模型训练、评估、预测和部署的关键。
配置文件中定义了分割模型、损失函数、训练超参、训练数据集、验证数据集等信息。
本示例使用的配置文件是：PaddleSeg/configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml
在PaddleSeg根目录下，执行如下命令进行单机训练。
export CUDA_VISIBLE_DEVICES=0 # Linux下设置1张可用的卡
# set CUDA_VISIBLE_DEVICES=0 # Windows下设置1张可用的卡
python tools/train.py \
--config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
--save_interval 500 \
--do_eval \
--use_vdl \
--save_dir output
训练完成后，模型在验证集上的mIoU达到90.65%(数据可能变动)，精度最高的模型权重保存在PaddleSeg/output/best_model目录。
在PaddleSeg根目录下，执行如下命令，使用val.py脚本来评估模型的精度，即计算验证数据集的精度。
python tools/val.py \
--config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
--model_path output/best_model/model.pdparams
在PaddleSeg根目录下，执行如下命令，使用predict.py脚本加载模型，对图像进行预测，并且保存预测结果。
python tools/predict.py \
--config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml \
--model_path output/best_model/model.pdparams \
--image_path data/optic_disc_seg/JPEGImages/H0002.jpg \
--save_dir output/result
预测完成，可以在PaddleSeg/output/result目录下查看预测结果，如下图。
得到训练好的模型后，上述预测步骤可以得到预测结果。此外，我们还可以导出预测模型并部署，实现更快的推理速度，具体请参考PaddleSeg的详细文档。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。