首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >别再只会调包了!DeepLabv3 抠图实战:从 5 行代码跑通到 FastAPI 上线

别再只会调包了!DeepLabv3 抠图实战:从 5 行代码跑通到 FastAPI 上线

原创
作者头像
Echo_Wish
发布于 2026-11-16 08:45:02
发布于 2026-11-16 08:45:02
10
举报

别再只会调包了!DeepLabv3 抠图实战:从 5 行代码跑通到 FastAPI 上线

大家好,我是 Echo_Wish。

前几天一个做电商的朋友找我,说老板让他把商品图里的人像自动抠出来换背景,他对着 PS 抠了一下午,眼睛都花了。我说你这不就是图像分割吗,让模型干啊。他问我用啥,我说 DeepLabv3,经典、稳、好部署,今天咱就把它从头到尾聊透。

一、先说人话:图像分割到底在干嘛?

分类模型回答的是"这图里有啥",检测模型回答的是"东西在哪个框里",分割回答的是"每个像素属于谁"。

一张图 520×520,就是 27 万多个像素,模型要给每一个像素打标签:这是人、这是狗、这是背景。所以分割的输出不是一个类别,而是一张和原图一样大的"标签地图"。

二、DeepLabv3 凭什么能打?

不讲公式,只讲思路。

传统卷积网络一路下采样,图越缩越小,语义是抽象出来了,但边缘细节也丢光了。DeepLab 系列的招数叫空洞卷积(Atrous Conv):卷积核里"留白",不增加参数,却能看到更大的范围,所以不用把图缩得太狠,细节保住了,视野也够大。

再配上 ASPP 模块,用不同空洞率的卷积并联,同时看"近处"和"远处",大物体小物体一起照顾。

我的感受是:DeepLabv3 不是最新最炫的,但它结构清晰、论文好读、torchvision 里开箱即用。想入门分割,这是一块很好的敲门砖。

三、5 行核心代码跑通推理

先装环境:

代码语言:bash
复制
pip install torch torchvision pillow numpy

然后直接上:

代码语言:python
复制
import torch
import numpy as np
from PIL import Image
from torchvision.models.segmentation import (
    deeplabv3_resnet50, DeepLabV3_ResNet50_Weights
)

weights = DeepLabV3_ResNet50_Weights.DEFAULT
model = deeplabv3_resnet50(weights=weights).eval()
preprocess = weights.transforms()          # 官方预处理,别自己瞎写
categories = weights.meta["categories"]    # 21 个类别名

img = Image.open("demo.jpg").convert("RGB")
x = preprocess(img).unsqueeze(0)           # [1, 3, H, W]

with torch.inference_mode():
    logits = model(x)["out"]               # [1, 21, H, W]

mask = logits.argmax(1)[0].numpy()         # [H, W],每个像素一个类别 id
print("图里有:", [categories[i] for i in np.unique(mask)])

这里有两个关键点,我踩过坑,必须说:

  1. model(x) 返回的是个字典,真正的结果在 ["out"] 里,还有个 aux 是训练时的辅助分支,推理不用管。
  2. argmax(1) 就是在 21 个通道里挑分数最高的,分割的本质就是"逐像素分类"。

四、让结果看得见:上色 + 叠加 + 抠人

只打印类别没意思,咱把它画出来:

代码语言:python
复制
def voc_palette(n=21):
    palette = np.zeros((n, 3), dtype=np.uint8)
    for i in range(n):
        c, r, g, b = i, 0, 0, 0
        for j in range(8):
            r |= ((c >> 0) & 1) << (7 - j)
            g |= ((c >> 1) & 1) << (7 - j)
            b |= ((c >> 2) & 1) << (7 - j)
            c >>= 3
        palette[i] = [r, g, b]
    return palette

def overlay(img, mask, alpha=0.5):
    color = voc_palette()[mask]                       # [h, w, 3]
    color = Image.fromarray(color).resize(img.size, Image.NEAREST)
    return Image.blend(img, color, alpha)

overlay(img, mask).save("overlay.png")

再来朋友最想要的功能,抠人(VOC 里 person 的 id 是 15):

代码语言:python
复制
def cutout_person(img, mask, cls_id=15):
    m = (mask == cls_id).astype(np.uint8) * 255
    m = Image.fromarray(m).resize(img.size, Image.NEAREST)  # 掩码还原到原图尺寸
    out = img.convert("RGBA")
    out.putalpha(m)
    return out

cutout_person(img, mask).save("person.png")

注意那句 resize(img.size, Image.NEAREST)。预处理会把图缩到 520 左右,掩码是小尺寸的,必须还原回原图大小,而且必须用最近邻插值,用双线性的话类别 id 会被插值成一堆不存在的"小数类别",边缘全花。

五、想识别自己的类别?换个头就行

预训练模型只认 21 类,业务里你要分的可能是"裂缝"、"皮损"、"商品主体"。这时候别从零训练,冻住或微调骨干,换掉分类头:

代码语言:python
复制
from torchvision.models.segmentation.deeplabv3 import DeepLabHead

num_classes = 3   # 比如:背景 / 商品 / 阴影
model = deeplabv3_resnet50(weights=weights)
model.classifier = DeepLabHead(2048, num_classes)
model.aux_classifier = None   # 辅助头不要了,省事

损失函数用 CrossEntropyLoss 就行,标签是 [B, H, W] 的整数图。说句掏心窝子的话:数据标注质量比模型选型重要十倍。我见过太多人纠结用 v3 还是 v3+,结果标注边缘都是糊的,模型再强也白搭。

六、重头戏:部署上线

模型在 notebook 里跑通,只完成了 30%。真正考验人的是上线。我的路线是:PyTorch → ONNX → onnxruntime → FastAPI,不依赖 torch,镜像小、启动快。

先导出 ONNX:

代码语言:python
复制
import torch

class Wrapper(torch.nn.Module):
    def __init__(self, m):
        super().__init__()
        self.m = m
    def forward(self, x):
        return self.m(x)["out"]   # 把字典输出拍平成张量,ONNX 才好导

dummy = torch.randn(1, 3, 520, 520)
torch.onnx.export(
    Wrapper(model).eval(), dummy, "deeplabv3.onnx",
    input_names=["input"], output_names=["logits"],
    dynamic_axes={"input": {0: "batch", 2: "h", 3: "w"},
                  "logits": {0: "batch", 2: "h", 3: "w"}},
    opset_version=17,
)

再写服务(app.py):

代码语言:python
复制
import io
import numpy as np
import onnxruntime as ort
from PIL import Image
from fastapi import FastAPI, UploadFile
from fastapi.responses import Response

app = FastAPI()
sess = ort.InferenceSession("deeplabv3.onnx", providers=["CPUExecutionProvider"])

MEAN = np.array([0.485, 0.456, 0.406], dtype=np.float32)
STD = np.array([0.229, 0.224, 0.225], dtype=np.float32)

def prepare(img: Image.Image, size=520):
    img = img.resize((size, size), Image.BILINEAR)
    arr = (np.asarray(img, dtype=np.float32) / 255.0 - MEAN) / STD
    return arr.transpose(2, 0, 1)[None]          # [1, 3, H, W]

@app.post("/segment")
async def segment(file: UploadFile):
    img = Image.open(io.BytesIO(await file.read())).convert("RGB")
    logits = sess.run(None, {"input": prepare(img)})[0]
    mask = logits.argmax(1)[0].astype(np.uint8)
    mask_img = Image.fromarray(mask).resize(img.size, Image.NEAREST)
    buf = io.BytesIO()
    mask_img.save(buf, format="PNG")
    return Response(buf.getvalue(), media_type="image/png")
代码语言:bash
复制
pip install fastapi uvicorn onnxruntime python-multipart
uvicorn app:app --host 0.0.0.0 --port 8000
curl -F "file=@demo.jpg" http://localhost:8000/segment -o mask.png

到这一步,你的分割服务就能被别人调用了。

七、几个上线后才会懂的实话

第一,预处理一致性是头号杀手。 训练时用什么均值方差、什么缩放方式,部署时必须一模一样。我见过线上效果比本地差一大截,查了两天,结果是 RGB 和 BGR 搞反了。

第二,ResNet50 版的 DeepLabv3 不算轻。 纯 CPU 上单张图跑个几百毫秒到一两秒很正常。要提速,可以换 MobileNet 骨干的版本(torchvision 里有 deeplabv3_mobilenet_v3_large),或者上 GPU、做量化,别硬扛。

第三,别神化模型。 头发丝、半透明物体、复杂背景,它照样会翻车。需要发丝级抠图的话,分割结果只能当"粗掩码",后面还得接 matting 模型。

写在最后

说点感想。这两年大家都在追 SAM、追各种大模型,但我越来越觉得:能把一个经典模型从数据、训练一路干到稳定上线的人,比只会跑 demo 的人值钱得多。DeepLabv3 不新,但它把"分割该怎么做"这件事讲得明明白白,吃透了它,再看 SegFormer、Mask2Former 就是换汤不换药。

最后送大家一句话:模型是用来解决问题的,不是用来炫技的。 朋友那个抠人需求,我用上面这套半天就搞定了,老板满意,他也不用再对着 PS 熬夜。

好了,今天就聊到这。代码拿去跑跑看,遇到坑欢迎留言,咱们评论区见。

我是 Echo_Wish,下期再聊。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 别再只会调包了!DeepLabv3 抠图实战:从 5 行代码跑通到 FastAPI 上线
    • 一、先说人话:图像分割到底在干嘛?
    • 二、DeepLabv3 凭什么能打?
    • 三、5 行核心代码跑通推理
    • 四、让结果看得见:上色 + 叠加 + 抠人
    • 五、想识别自己的类别?换个头就行
    • 六、重头戏:部署上线
    • 七、几个上线后才会懂的实话
    • 写在最后
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档