企业官网建设流程全解析

• 人工智能
• 深度学习
• 计算机视觉
• NLP
• 语音

导读

本文以 PaddleSeg 团队发布的开源人像分割方案 PP-HumanSeg 系列为对象，系统梳理其官方模型清单（下载地址、最佳输入尺寸、精度与耗时指标），并深入解析 Checkpoint、Inference Model (Argmax)、Inference Model (Softmax) 三类模型产物的区别与适用场景。无论你是要在手机视频通话、Web 会议中做实时半身人像分割，还是需要针对自身业务场景对通用人像分割模型进行微调，读完本文即可快速选型、正确下载并完成部署接入。

一、模型总览：肖像分割与通用人像分割两类任务

PP-HumanSeg 系列将"人物与背景的像素级区分"这一经典图像分割任务划分为两种场景：

• 肖像分割（Portrait Segmentation）：面向手机视频通话、Web 视频会议等实时半身人像场景，模型针对性强、可开箱即用，零成本直接集成到产品中；
• 通用人像分割（Human Segmentation）：面向全身与半身人像的通用分割任务，官方先构建大规模人像数据集，再使用 PaddleSeg 的 SOTA 模型训练发布，覆盖场景更广、通用性更强。

两类模型均以 PP-HumanSeg14k 等公开人像数据集为主要训练与测试基准（见 modelcenter/PP-HumanSegV2/info.yaml 中 Datasets 字段 "PP-HumanSeg14K,EG1800"），整体方案具有分割精度高、推理速度快、通用型强的特点。作为参考，PP-HumanSegV2 于 2022 年 7 月由 PaddleSeg 升级发布，其肖像分割方案以 96.63% mIoU、约 63 FPS 的手机端推理速度刷新开源人像分割 SOTA 指标，相比 V1 方案推理速度提升约 87%、分割精度提升约 3%（详见 benchmark_cn.md 中的实测数据）。

二、肖像分割模型清单与指标解读

肖像分割模型针对实时半身人像场景设计，官方发布的模型如下：

对应的训练配置文件（如portrait_pp_humansegv2_lite.yml）位于 PaddleSeg 仓库contrib/PP-HumanSeg/configs/目录下，用于结合 Checkpoint 权重执行微调。

2.1 指标说明（如何读懂这张表）

• 精度 mIoU：针对 PP-HumanSeg-14k 数据集，使用模型最佳输入尺寸测试，未应用多尺度与 flip 等增强操作，反映模型在标准条件下的真实分割精度；
• 手机端推理耗时：基于 PaddleLite 预测库，在小米 9 手机（骁龙 855 CPU）上、单线程、大核条件下，以最佳输入尺寸测得；
• 最佳输入尺寸宽高比为 16:9，与手机、电脑摄像头的拍摄画面比例一致，因此输入画面可直接送入模型而不必大幅裁剪；
• Checkpoint是模型权重，需结合配置文件使用，适用于 Finetuning 微调场景；
• Inference Model 为预测模型，可直接用于部署；
• Inference Model (Argmax)：模型末端使用 Argmax 算子，输出单通道 int64预测结果，人像区域为 1、背景区域为 0；
• Inference Model (Softmax)：模型末端使用 Softmax 算子，输出单通道 float32预测结果，每个像素的数值表示该像素属于人像的概率，用于图像融合时边缘更平滑。

2.2 使用说明

• 肖像分割模型专用性较强、可开箱即用，建议直接使用其最佳输入尺寸（如 256x144）；
• 手机端部署存在横屏与竖屏两种情况：实际使用中可根据设备朝向对图像进行旋转，保持人像始终竖直，再以 256x144（横屏）或 144x256（竖屏）输入模型，即可得到最佳分割效果。

2.3 从 V1 到 V2：精度与速度的提升幅度

在 benchmark_cn.md 中，肖像分割方案的实测对比进一步印证了 V2 的升级幅度（骁龙 855 ARM CPU 测试）：

同一份基准文档还提供了 Intel CPU（Xeon Gold 6271C，基于 Paddle Inference）下的实测：PP-HumanSegV1 在 398x224 下为 36.02 FPS，PP-HumanSegV2 在 398x224 下为 60.75 FPS、在 256x144 下为 70.67 FPS。可见 V2 方案通过"轻量化模型结构 + 合理调整输入分辨率"，在精度不降（甚至更高）的前提下显著提升了推理速度。

三、通用人像分割模型清单与指标解读

通用人像分割模型面向全身/半身等更泛化的场景，官方发布的模型如下：

3.1 指标说明（与肖像模型的差异点）

• 精度 mIoU：通用分割模型在大规模人像数据集上训练完成后，在小规模 Supervisely Person 数据集上进行测试。因此该精度代表模型在跨域场景下的泛化表现，与肖像模型在 PP-HumanSeg-14k 上的测试口径不同，两者不可直接横向比较；
• 手机端推理耗时：同样基于 PaddleLite（小米 9 / 骁龙 855 / 单线程大核）；
• 服务器端推理耗时：基于 PaddleInference 预测库，在V100 GPU、开启 TensorRT条件下测试；
• Checkpoint / Inference Model (Argmax) / Inference Model (Softmax)的含义与肖像模型完全一致。

3.2 使用说明

• 通用人像分割任务的场景变化很大，官方建议先根据实际场景评估模型精度是否达标；
• 若精度满足业务要求，可直接应用；
• 若不满足，可收集并标注自有数据，基于开源通用人像分割模型（Checkpoint）进行Finetune，以适配特定场景。

四、三类下载产物深度辨析：Checkpoint、Argmax 与 Softmax 推理模型

下载表中每一行都提供了三种模型产物，理解它们之间的差异是正确选型的前提：

其中 Argmax 与 Softmax 的区别来自模型导出阶段算子选择。从 introduction_cn.ipynb 的导出示例可以看到，PaddleSeg 的export.py通过参数控制模型末端算子：

python ../../export.py \ --config configs/human_pp_humansegv2_lite.yml \ --model_path pretrained_models/human_pp_humansegv2_lite_192x192_pretrained/model.pdparams \ --save_dir output/human_pp_humansegv2_lite \ --without_argmax \ --with_softmax

使用--without_argmax --with_softmax导出时，模型末端不添加 Argmax 算子而是添加 Softmax 算子，输出为浮点概率，使图像融合的边缘更为平滑；反之，默认导出会添加 Argmax 算子，输出离散的 0/1 掩码，推理更快但边缘为硬边界。

部署选型建议：

• 仅需把人像抠出来做二值掩码（如背景替换后无需边缘羽化）→ 选 Argmax 版，推理开销最小；
• 需要人像与背景平滑融合（如视频会议换背景、滤镜叠加）→ 选 Softmax 版，边缘质量更高。

五、使用流程与最佳实践

5.1 开箱即用的部署路径

以本仓库 APP/app.py 中的 Gradio 部署示例为例，其推理流程完整展示了"下载模型 → 预处理 → PaddleInference 推理 → 后处理输出 RGBA"的链路：

1. 下载推理模型：示例中自动下载portrait_pp_humansegv2_lite_256x144_inference_model_with_softmax.zip（即上表 V2-Lite 肖像模型的 Softmax 推理版）并解压，得到包含deploy.yaml、*.pdmodel、*.pdiparams的推理目录；
2. 预处理：代码中_preprocess将图像resize到 (256, 144)，再执行(img / 255 - 0.5) / 0.5归一化，最后转为 CHW 并增加 batch 维度——这正是肖像模型 16:9 最佳输入尺寸的实际落地；
3. 推理：基于 Paddle Inference 的Config/create_predictorAPI 加载模型，CPU 下默认开启内存优化（enable_memory_optim）与 IR 优化（switch_ir_optim），线程数设为 10；
4. 后处理：取输出通道中的人像通道results[0, 1, :, :]，resize回原图尺寸后与原始 RGB 图像concatenate为 RGBA，得到可直接用于换背景的透明通道人像。

该示例对应的应用配置见 APP/app.yml（Gradio SDK 3.4.1、CPU 设备、Apache-2.0 协议），运行依赖见 APP/requirement.txt（gradio、paddlepaddle、opencv-python、pyyaml、paddleseg）。

5.2 快速体验命令（PaddleSeg 官方流程）

安装 PaddleSeg（要求 PaddlePaddle >= 2.2.0，教程在 2.3.2 版本下验证）并进入contrib/PP-HumanSeg目录后，可执行：

# 下载推理模型与测试数据 python src/download_inference_models.py python src/download_data.py # 半身人像 + 背景融合（横屏） python src/seg_demo.py \ --config inference_models/portrait_pp_humansegv2_lite_256x144_inference_model_with_softmax/deploy.yaml \ --img_path data/images/portrait_heng.jpg \ --bg_img_path data/images/bg_2.jpg \ --save_dir data/images_result/portrait_heng_v2_withbg.jpg # 竖屏场景（增加 --vertical_screen 参数） python src/seg_demo.py \ --config inference_models/portrait_pp_humansegv2_lite_256x144_inference_model_with_softmax/deploy.yaml \ --img_path data/images/portrait_shu.jpg \ --bg_img_path data/images/bg_1.jpg \ --save_dir data/images_result/portrait_shu_v2_withbg.jpg \ --vertical_screen

5.3 Finetune 微调路径（当通用模型不满足业务要求时）

PaddleSeg 在contrib/PP-HumanSeg/configs/下提供了全部模型的训练配置（human_pp_humansegv1_lite.yml、human_pp_humansegv2_lite.yml、human_pp_humansegv1_mobile.yml、human_pp_humansegv2_mobile.yml、human_pp_humansegv1_server.yml、portrait_pp_humansegv1_lite.yml、portrait_pp_humansegv2_lite.yml），配置中已通过pretrained字段指向预训练权重。典型微调命令：

export CUDA_VISIBLE_DEVICES=0 python ../../train.py \ --config configs/human_pp_humansegv2_lite.yml \ --save_dir output/human_pp_humansegv2_lite \ --save_interval 100 --do_eval --use_vdl

训练完成后可依次执行val.py评估、predict.py单图预测、export.py导出部署模型（导出时按需选择--without_argmax --with_softmax）。

六、源码级佐证：PaddleCV 流水线中的 PP-HumanSegV2

本仓库的 PaddleCV 组件同样内置了 PP-HumanSegV2 的接入配置，可作为"下载模型 → 配置流水线"的另一种落地参考。

在 paddlecv/configs/single_op/PP-HumanSegV2.yml 中，SegmentationOp的预处理与下载文档中的最佳输入尺寸完全对应：

MODEL: - SegmentationOp: name: seg param_path: paddlecv://models/PP_HumanSegV2_256x144_with_Softmax/model.pdiparams model_path: paddlecv://models/PP_HumanSegV2_256x144_with_Softmax/model.pdmodel batch_size: 8 PreProcess: - Resize: target_size: [256, 144] - Normalize: scale: 0.00392157 mean: [0.5, 0.5, 0.5] std: [0.5, 0.5, 0.5] order: '' - ToCHWImage - ExpandDim PostProcess: - SegPostProcess

其中Resize目标尺寸为 [256, 144]（与表 1 中 PP-HumanSegV2-Lite 肖像模型的最佳输入尺寸一致），scale: 0.00392157即 1/255，配合 mean/std 0.5 对应(img/255 - 0.5)/0.5的归一化方式。流水线底层实现在 paddlecv/ppcv/ops/models/segmentation/inference.py：SegmentationOp按batch_size分批量执行"预处理 → 模型推理 → 后处理"，后处理算子SegPostProcess（见 postprocess.py）将推理输出包装为seg_map结果键，供上层HumanSegOutput输出模块消费。

七、FastDeploy 高性能部署（可选）

如需在 X86 CPU、NVIDIA GPU 等硬件上获得端到端优化加速，可参考本仓库 fastdeploy_cn.md 的 FastDeploy 三步部署流程：

# 1. 安装 FastDeploy 预编译包 pip install fastdeploy-gpu-python==0.0.0 -f https://www.paddlepaddle.org.cn/whl/fastdeploy_nightly_build.html # 2. 下载 PP_HumanSegV2_Lite_192x192 推理模型与测试图片 wget https://bj.bcebos.com/paddle2onnx/libs/PP_HumanSegV2_Lite_192x192_infer.tgz tar -xvf PP_HumanSegV2_Lite_192x192_infer.tgz # 3. CPU / GPU / GPU+TensorRT 推理 python infer.py --model PP_HumanSegV2_Lite_192x192_infer --image cityscapes_demo.png --device cpu python infer.py --model PP_HumanSegV2_Lite_192x192_infer --image cityscapes_demo.png --device gpu python infer.py --model PP_HumanSegV2_Lite_192x192_infer --image cityscapes_demo.png --device gpu --use_trt True

注意：GPU 上首次使用 TensorRT 推理会有序列化模型的操作，需要耐心等待；文档默认已准备好 GPU 环境（如 CUDA >= 11.2）。

八、总结与选型速查

核心要点回顾：下载时先区分 Checkpoint（用于微调）与 Inference Model（用于部署）；部署时按是否需要平滑边缘选择 Argmax 版（int64 硬掩码）或 Softmax 版（float32 概率）；肖像模型建议固定最佳输入尺寸开箱即用，通用模型务必在真实业务场景中先评估精度，必要时基于开源权重 Finetune。相关模型的学术引用可参考 PP-HumanSeg 论文（Chu et al.,PP-HumanSeg: Connectivity-Aware Portrait Segmentation With a Large-Scale Teleconferencing Video Dataset, WACV Workshops 2022，见 introduction_cn.ipynb）。

• 人工智能
• 深度学习
• 计算机视觉
• NLP
• 语音