一行代码调用 500+ 预训练分割模型，快速搭建语义分割流水线。
segmentation_models.pytorch 是一个基于 PyTorch 的语义分割模型库，提供 500+ 预训练骨干网络（涵盖卷积和 Transformer 架构），并集成多种主流分割架构（如 U-Net、FPN、DeepLabV3、PSPNet 等）。它解决了研究人员和工程师在语义分割任务中重复搭建模型、加载预训练权重繁琐的问题，通过统一 API 即可快速创建、训练和评估分割模型。核心能力包括：丰富的骨干网络选择（ResNet、EfficientNet、ViT 等）、灵活的编码器-解码器设计、支持多分类和二分类任务、内置常用损失函数和指标计算。项目代码简洁、文档齐全，适合快速原型验证和生产部署。
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
—
1安装 PyPI 版本
官方推荐的安装方式，直接从 PyPI 拉取最新的发布版。在已激活的 Python 环境中执行即可，无需克隆仓库。
pip install segmentation-models-pytorch2安装 GitHub 最新版
如果想用仓库中最新的代码（可能未发布到 PyPI），改用这条命令从 GitHub 直接安装。二者选其一即可，不必重复安装。
pip install git+https://github.com/qubvel/segmentation_models.pytorch3确认安装结果
查看已安装的包信息与版本号，确认安装成功且环境中的 pip 指向正确的 Python 解释器。
pip show segmentation-models-pytorch4查阅官方文档
README 中的 Quick start 未给出示例代码，请访问官方文档了解如何创建模型、训练与评估。
执行 pip show segmentation-models-pytorch，能正常输出包名、版本等信息即表示安装成功。
Q：想用最新代码而不是 PyPI 发布版怎么办？
A：改用 pip install git+https://github.com/qubvel/segmentation_models.pytorch，从 GitHub 仓库直接安装最新版本。
Q：这个库支持哪些分割架构？
A：提供 12 种编码器-解码器架构，包括 Unet、Unet++、Segformer、DPT 等，可通过统一的高层 API 创建。
Q：可用的预训练骨干网络有多少？
A：提供 800+ 预训练卷积与 Transformer 编码器，并且支持 timm 库中的模型作为骨干网络。
Q：模型能否导出部署到生产环境？
A：支持 ONNX 导出，同时兼容 torch script、torch trace 以及 torch compile。
Q：完整的使用文档在哪里？
A：官方文档地址为 https://smp.readthedocs.io/ ，README 中也提供了该链接。
MMSegmentation、torchvision、segmentation_models
segmentation_models.pytorch 是计算机视觉领域的开源项目，由 qubvel-org 开发，2019 年首次发布。
在全站 13,635 个收录项目中，它的 GitHub 星标数（11,750）位列前 5%，在计算机视觉分类的 486 个项目里位列前 5%。
近 44 天，它的 GitHub 星标从 11,701 增加到 11,750，净增 49。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-28。MIT许可证，完全免费，无付费版本。
它主要面向的使用场景是：学术研究中的语义分割实验对比。同类可对比的替代方案包括 MMSegmentation、torchvision、segmentation_models。
modlens
开源
给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。
The first vision plugin for DeepSeek Harness, and the vision bridge for every text-o···
opencv
开源
开箱即用的视觉算法库，搞定图像视频处理与识别
Open Source Computer Vision Library
OpenCVTutorials
开源
中文 OpenCV 教程，从入门到实战，边看边跑代码
OpenCV-Python4.1 中文文档
DEIMv2
开源
用DINOv3做实时检测，又快又准，直接落地。
[DEIMv2] Real Time Object Detection Meets DINOv3