PaddleX昇腾版上新 | Mask-RT-DETR，实例分割新SOTA

主要观点总结

文章介绍了飞桨发布的新模型Mask-RT-DETR，它是用于实例分割任务的模型，具有精度和速度的均衡优势。文章详细描述了模型的特点和结构，包括采用PP-HGNetV2作为骨干网络、MaskFeatFPN模块实现掩码分支的多尺度特征融合等。此外，文章还介绍了PaddleX在模型开发流程上的升级和提供的开发、部署方式。

关键观点总结

关键观点1: 飞桨发布Mask-RT-DETR模型用于实例分割任务。

Mask-RT-DETR是飞桨发布的用于实例分割任务的模型，具有精度和速度的均衡优势。该模型在遥感图像识别、医疗影像分析、自动驾驶和智能安防等领域有广泛应用。

关键观点2: Mask-RT-DETR模型的特点和结构。

Mask-RT-DETR采用PP-HGNetV2作为骨干网络，MaskFeatFPN模块实现掩码分支的多尺度特征融合。此外，还采用了IoU-aware Query Selection技术筛选高质量的掩码特征，并通过MaskDINOHead生成高质量的掩码输出。

关键观点3: PaddleX在模型开发流程上的升级。

PaddleX通过升级模型开发流程，使开发者可以通过统一的命令完成数据校验、训练、评估和推理。此外，PaddleX还暴露了关键超参数，支持开发者快速修改、调参、优化模型。

关键观点4: PaddleX的部署方式。

PaddleX不仅支持通过极简的Python API来集成模型，还提供了高性能部署和服务化部署的解决方案。高性能部署方式通过优化推理的前后处理流程和硬件加速技术，提高了模型预测的速度。服务化部署则将模型封装为独立的服务，通过HTTP等协议进行调用。

文章预览

自飞桨于6月27日发布 PaddleX 3.0-beta 昇腾版以来，经过双方共同建设，现支持模型数量已经增长到了134个。最近，飞桨推出实例分割任务的新秀——Mask-RT-DETR模型，并且已经在昇腾硬件上完成验证，期待开发者们的体验与反馈。 飞桨昇腾模型验证列表 https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/hardware_support/npu/support_cn.html 实例分割是计算机视觉领域的一项重要任务，它不仅需要识别图像中的物体类别，更需精确地分割出每个物体实例对应的像素区域。这项技术能够在复杂场景中提供更加丰富且详细的信息，因此广泛应用于遥感图像识别、医疗影像分析、自动驾驶以及智能安防等多个领域。百度飞桨发布的SOTA级别目标检测模型RT-DETR问世以来，凭借其卓越的推理速度和检测精度，迅速成为目标检测开发者的首选。鉴于实例分割算法与目标检测算 ………………………………