segmentation_models.pytorch

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。

开源 🏷️完全免费 🔧 仅开源项目,无在线服务,需自行部署 计算机视觉 🍴 复刻 1853 🐛 待处理 92 👀 关注 82
GitHub ↗
GitHub 星标 ★ 11811
维护状态 活跃
是否开源 开源
定价模式 🏷️完全免费 开源项目,MIT许可证,完全免费,无付费版本。

项目预览

segmentation_models.pytorch 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类计算机视觉
开发团队qubvel-org
定价模式🏷️完全免费
价格说明开源项目,MIT许可证,完全免费,无付费版本。
访问状态🔧 仅开源项目,无在线服务,需自行部署
是否开源是
开源协议MIT
主要语言Python
技术栈/模型computer-vision,deeplab-v3-plus,deeplabv3,dpt,fpn,image-processing,image-segmentation,imagenet,models,pretrained-weights,pspnet,pytorch,segformer,segmentation,segmentation-models,semantic-segmentation,transformers,unet,unet-pytorch,unetplusplus
GitHub 星标★ 11811
上线时间2019-03-01 00:00:00
代码更新2026-11-16
仓库体积16.3 MB
本站数据更新2026-11-18
维护状态活跃
收录时间2026-08-10
浏览次数8

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整

数据来源:GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 11811

使用教程

ℹ 本教程由 AI 依据该项目 README 整理,个别步骤可能需要按你的环境微调。

难度:入门 约 10 分钟 部署方式:库/依赖 4 步

环境要求

  • Python 环境(本项目为 Python 库)
  • 已安装 PyTorch(本库基于 PyTorch 构建)
  • 已安装并可正常使用 pip

安装与启动步骤

  1. 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-pytorch
  2. 2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.pytorch
  3. 3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-pytorch
  4. 4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。

如何确认成功

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。

常见问题

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。

注意事项

  • 本库基于 PyTorch 构建,安装前请确保运行环境中已具备 PyTorch。
  • README 的 Quick start 章节未给出具体代码示例,实际使用请以官方文档为准。
  • 从 GitHub 安装需要能够正常访问 GitHub 网络。

核心亮点

  • 提供 500+ 预训练骨干,覆盖 CNN 和 Transformer,选择丰富
  • 统一 API 设计,切换不同分割架构(U-Net、FPN 等)只需改一行参数
  • 内置多种损失函数和评估指标,开箱即用,减少重复开发

不足之处

  • 文档/社区待观察
  • 部分新模型(如最新 ViT 变体)更新可能滞后

适用场景

  • 学术研究中的语义分割实验对比
  • 工业项目中的图像分割快速原型开发
  • 教学场景中演示不同分割架构的效果差异

替代项目

MMSegmentation、torchvision、segmentation_models

上一篇:colmap

下一篇:kornia

同类项目推荐

sports 开源

用AI看懂体育比赛,一键提取球员位置和动作数据

computer vision and sports

★ 5505 2026-08-10
awesome-yolo-object-detection 开源

一份清单,快速找到你想要的 YOLO 模型和数据集。

A collection of some awesome public YOLO object detection series projects and the re···

★ 1805 2026-08-09
scribe.js 开源

浏览器里直接识别图片和 PDF 文字,无需后端

JavaScript OCR and text extraction for images and PDFs.

★ 326 2026-09-19
eSearch-OCR 开源

npm 装完就能在 JS 里跑 PaddleOCR 取字。

基于paddleOCR的js库

★ 134 2026-09-19
shiping 开源

按快捷键截屏,AI 立刻看懂并解答屏幕内容

识屏 Shiping:截屏 + AI,看懂屏幕上的任何内容。代码、报错、题目、图表、外文资料,按快···

★ 1214 2026-11-06
PerceptionMetrics 开源

跨模态统一评测检测分割模型,省去重复造轮子

A toolkit designed to unify and streamline the evaluation of object detection and se···

★ 115 2026-09-30
WeVisDoc 开源

整页文档图一键转结构化 Markdown,公式表格都不丢

WeVisDoc is an end-to-end document parser for page images. Fine-tuned from Qwen3-VL-···

★ 522 2026-10-09
MIPHEI-ViT 开源

用 ViT 把 H&E 病理图直接转成免疫荧光图,省去染色实验

MIPHEI-ViT: Repository to train Image-to-Image H&E to Immunofluorescence models

★ 64 2026-08-09