2020 CCF BDCI 遥感影像地块分割比赛主办方提供了PaddleSeg静态图版本作为baseline，现正值飞桨框架推荐使用动态图，作为飞桨的图像分割工具套件PaddleSeg动态图版也已经适配了Paddle 2.0rc版。Seg的动态图版本是今后推荐使用的，第一期支持的模型数和精度也已经超过静态图版了，但目前在处于实验阶段，并未全面向用户推出，借着这次比赛机会，我们也测试了动态图的性能。

作为动态图的baseline，我们选择了一个比较简单的分割模型，HRNet_W48+FCN，并未做任何调参，配置文件以及测试结果在这里能找到：

PaddleSeg动态图主目录：https://github.com/PaddlePaddle/PaddleSeg/tree/develop/dygraph

遥感分割比赛配置文件：https://github.com/PaddlePaddle/PaddleSeg/tree/develop/dygraph/contrib/remote_sensing

数据准备参考：https://aistudio.baidu.com/aistudio/projectdetail/1090790

训练方式：

python -m paddle.distributed.launch train.py --config contrib/remote_sensing/fcn_hrnetw48_ccf_256x256_160k.yml --save_dir save_model_path --save_interval 8000 --log_iters 200 --do_eval --use_vdl

单尺度评估：

python -m paddle.distributed.launch val.py --config contrib/remote_sensing/fcn_hrnetw48_ccf_256x256_160k.yml --model_path save_model_path/best_model/model.pdparams

多尺度评估：

python -m paddle.distributed.launch val.py --config contrib/remote_sensing/fcn_hrnetw48_ccf_256x256_160k.yml --model_path save_model_path/best_model/model.pdparams --aug_eval --scales 1.0 1.25  --flip_horizontal

我们采用了1.0和1.25倍的多尺度做一个示例（同学们可以尝试更多组合），另外加了水平翻转。

生成上传图片：

python predict.py --config contrib/remote_sensing/fcn_hrnetw48_ccf_256x256_160k.yml --model_path save_model_path/best_model/model.pdparams --image_path dataset/rs_data/img_testA --aug_pred --scales 1.0 1.25 --flip_horizontal --save_dir output_images_path

和多尺度评估方式类似。

我们最后得到的结果：在单尺度验证集mIoU是71.55%，增加多尺寸和翻转验证集mIoU是72.42%，最后在初赛的测试集mIoU是70.36%，结果和训练模型都能在PaddleSeg动态图里面找到：

https://github.com/PaddlePaddle/PaddleSeg/tree/develop/dygraph/contrib/remote_sensing

目前PaddleSeg动态图版本正在快马加鞭的完善文档中，可能有些遗漏，有不清楚的欢迎直接加QQ群（850378321）圈我们，如果对大家有帮助，希望能在github上给我们PaddleSeg点小星星。

https://github.com/PaddlePaddle/PaddleSeg