LightNet
LightNet 是一套专为语义图像分割任务设计的轻量级神经网络框架，基于 PyTorch 构建。它主要解决自动驾驶等场景中，嵌入式设备计算与存储资源有限，难以运行庞大深度学习模型的痛点，旨在在保持较高分割精度的同时，大幅降低模型的计算量和参数量，实现实时处理。
该工具非常适合从事计算机视觉研究的学者、算法工程师以及需要在边缘设备上部署视觉应用的开发者使用。LightNet 的核心亮点在于其灵活的架构设计，它以 MobileNetV2、ShuffleNet 等高效骨干网络为基础，创新性地融合了空间通道压缩与激励（SCSE）模块、感受野块（RFB）以及涡流池化（Vortex Pooling）等技术。这些改进显著增强了模型对多尺度特征的提取能力。在权威数据集 Cityscapes 的测试中，LightNet 取得了类别平均交并比（mIoU）最高达 70.72% 的优异成绩，完美平衡了推理速度与分割精度，是资源受限环境下进行场景理解的理想选择。
使用场景
某自动驾驶初创团队正在为量产车型开发实时道路感知系统，需要在算力有限的嵌入式芯片上实现高精度的语义分割。
没有 LightNet 时
- 推理延迟过高：传统高精度分割模型参数量大，在车载嵌入式设备上运行帧率不足 15 FPS，无法满足实时避障需求。
- 硬件资源受限：现有方案显存占用过大，导致无法在同一芯片上并行运行定位与规划模块，被迫升级昂贵硬件。
- 细节识别丢失：为了提速强行压缩模型，导致对远处行人、车道线等小目标的分割精度大幅下降，存在安全隐患。
- 部署调试困难：缺乏针对轻量级网络优化的现成架构，团队需从零修改骨干网络，研发周期长达数月。
使用 LightNet 后
- 实时性能达标：基于 MobileNetV2Plus 等轻量化架构，推理速度提升至 30+ FPS，完美适配嵌入式端实时决策。
- 资源占用降低：通过引入 SCSE 模块与 InplaceABN 技术，在保持精度的同时显著减少显存占用，无需更换硬件即可多任务并行。
- 精度效率平衡：利用 RFB 感受野模块与 Vortex Pooling 技术，在低算力下仍实现了 70.72% 的 mIoU，有效识别细小障碍物。
- 快速落地验证：直接复用成熟的 PyTorch 代码与预训练权重，将算法集成与调优时间从数月缩短至数周。
LightNet 成功解决了自动驾驶边缘端“算力强约束”与“感知高精度”之间的矛盾，让轻量级模型也能具备工业级落地能力。
运行环境要求
- 未说明
训练阶段必需（作者提及借用 2 块 GPU 进行实验），具体型号、显存大小及 CUDA 版本未说明
未说明
快速开始
LightNet
!!!新仓库!!! ⇒ LightNet++：用于实时语义分割的增强型轻量级网络
!!!新仓库!!! ⇒ EfficientNet.PyTorch：简洁、模块化、易用的PyTorch实现，包含预训练权重的EfficientNet
!!!新仓库!!! ⇒ MixNet-Pytorch：简洁、模块化、易用的PyTorch实现，包含预训练权重的MixNet
本仓库包含基于PyTorch的代码，用于Huijun Liu在布伦瑞克工业大学撰写的“LightNet：用于图像语义分割的轻量级网络”（正在进行中）。
- MobileNetV2Plus：改进版MobileNetV2[1,8] + 空间通道压缩与激励机制（SCSE）[6] + ASPP[2,3] + 编码器-解码器架构[3] + InplaceABN[4]。
- RF-MobileNetV2Plus：改进版MobileNetV2 + SCSE + 受容野块（RFB）[5] + 编码器-解码器架构 + InplaceABN。
- MobileNetV2Vortex：改进版MobileNetV2 + SCSE + 涡流池化[24] + 编码器-解码器架构 + InplaceABN。
- MobileNetV2Share：图像分割与特征拼接 + 改进版MobileNetV2 + SCSE + ASPP/RFB + 编码器-解码器架构 + InplaceABN。
- 混合尺度DenseNet：改进版混合尺度DenseNet[11] + SCSE + ASPP/RFB + InplaceABN。
- SE-WResNetV2：改进版WResNetV2（InplaceABN及SCSE/SE）[4,6,7,13] + SCSE/SE + ASPP/RFB + 编码器-解码器架构 + InplaceABN。
- ShuffleNetPlus：改进版ShuffleNet[9] + SCSE + ASPP/RFB + 编码器-解码器架构 + InplaceABN。
!!!新内容!!!：新增涡流池化[24]
目前我已无GPU资源继续进行更多实验和模型训练（我曾从布伦瑞克工业大学计算机图形学研究所借用了2块GPU来完成初步实验，在此向他们以及Lukas Zhang表示感谢），因此如果您感兴趣，欢迎尝试其他正在训练中的模型及我的想法！
目录
简介
语义分割是现代自动驾驶系统的重要组成部分，准确理解周围场景对于自动驾驶车辆的导航与决策至关重要。如今，深度全卷积网络（FCN）在语义分割领域取得了显著成效，但大多数相关研究主要关注提升分割精度，而忽视了模型的计算效率。然而，自动驾驶系统通常运行在嵌入式设备上，其计算和存储资源相对有限。本文我们提出几种基于MobileNetV2、ShuffleNet和混合尺度DenseNet的轻量级网络，用于图像语义分割任务。此外，我们还引入了用于数据增强的GAN[17]（如pix2pixHD），并将其与空间通道压缩与激励机制（SCSE）以及受容野块（RFB）结合应用于所提出的网络。我们在Cityscapes像素级分割数据集上进行了性能评估，最终实现了高达**70.72%的类别mIoU和88.27%**的类别mIoU。同时，我们也分析了mIoU与乘加操作次数（MAdd）及参数量之间的权衡关系。
网络架构
使用方法
依赖项
- Python3
- PyTorch(0.3.0+)
- tensorboard
- tensorboardX
- tqdm
- inplace_abn
- CityscapesScripts
- Cityscapes
- Mapillary Vistas 数据集
训练
以在Cityscapes或Mapillary Vistas数据集上训练LightNet为例，可使用以下命令：
> python3 train_mobile.py
> python3 train_mobile_mvd.py
> python3 train_share.py
> python3 train_mixscale.py
> python3 train_shuffle.py
> python3 train_inplace.py
评估
以上述在Cityscapes数据集上训练的模型为例。
评估训练好的模型：
> python3 deploy_model.py
> python3 evaluation_cityscapes.py
> python3 demo_cityscapes.py
其他选项
本仓库还包含了混合尺度DenseNet/RF混合尺度DenseNet、ShuffleNetPlus/RFShuffleNetPlus、SE-DPShuffleNet以及SE-Wide-ResNetV2的实现。
结果
混合尺度DenseNet/RF混合尺度DenseNet、ShuffleNetPlus/RFShuffleNetPlus、SE-DPShuffleNet、SE-Wide-ResNetV2正处于训练中（请寻求朋友帮助）。
Cityscapes 数据集上的结果（像素级/语义分割）
| 模型 | GFLOPs | 参数量 | gtFine/gtCoarse/GAN | mIoU 类别(验证集/测试集 S.S*) | mIoU 物种(验证集/测试集 S.S*) | 结果(*.cvs) | Pytorch 模型&检查点 |
|---|---|---|---|---|---|---|---|
| MobileNetV2Plus | 117.1? | 8.3M | 是/否/否 | 70.13/68.90 | 87.95/86.85 | GoogleDrive | / |
| MobileNetV2SDASPP | ? | ?M | 是/否/是 | 73.17/70.09 | 87.98/87.84 | GoogleDrive | GoogleDrive |
| MobileNetV2Plus | 117.1? | 8.3M | 是/否/是 | 73.89/70.72 | 88.72/87.64 | GoogleDrive | GoogleDrive |
| RF-MobileNetV2Plus | 87.6? | 8.6M | 是/否/是 | 72.37/70.68 | 88.31/88.27 | GoogleDrive | GoogleDrive |
| ShuffleNetPlus | 229.3? | 15.3M | 是/否/是 | * | * | * | * |
| 混合尺度密集网络 | 49.9? | 0.80M | 是/否/是 | * | * | * | * |
| SE-WResNetV2 | ? | ?M | 是/否/否 | 80.13/77.15 | 90.87/90.59 | GoogleDrive | / |
- S.S.: 单尺度
联系方式
ansleliu@gmail.com
h.liu@tu-braunschweig.de
欢迎任何讨论或疑问！
参考文献
[1]. 倒残差与线性瓶颈：用于分类、检测和分割的移动网络
[2]. 重新思考语义图像分割中的空洞卷积
[3]. 带空洞可分离卷积的编码器-解码器用于语义图像分割
[4]. 就地激活批归一化用于 DNN 的内存优化训练
[5]. 感受野块网络用于准确快速的目标检测
[6]. 全卷积网络中的空间与通道同时挤压与激励
[7]. 挤压与激励网络
[8]. MobileNets：适用于移动视觉应用的高效卷积神经网络
[9]. ShuffleNet：一种极其高效的卷积神经网络，专为移动设备设计
[10]. 权重平均可带来更宽泛的最优解并提升泛化能力
[11]. 一种用于图像分析的混合尺度密集卷积神经网络
[12]. 双路网络
[13]. 宽残差网络
[14]. 密集连接的卷积网络
[15]. CondenseNet：一种使用学习到的组卷积的高效 DenseNet
[16]. 全分辨率残差网络用于街景语义分割
[17]. 基于条件 GAN 的高分辨率图像合成与语义操控
[18]. SGDR：带有热重启的随机梯度下降
[19]. 用于训练神经网络的循环学习率
[20]. 组归一化
[21]. 语义分割中的上下文编码
[22]. ExFuse：增强语义分割中的特征融合
[23]. 洛瓦斯-Softmax 损失：一种可用于神经网络中优化交并比指标的可处理替代损失函数
[24]. 涡流池化：改进语义分割中的上下文表征
致谢
[0]. Lukas Zhang：借给我 GPU。
[1]. meetshah1995：pytorch-semseg。
[2]. ruinmessi：RFBNet。
[3]. Jackson Huang：ShuffleNet。
[4]. Ji Lin：pytorch-mobilenet-v2。
[5]. ericsun99：MobileNet-V2-Pytorch。
[6]. Ross Wightman：pytorch-dpn-pretrained。
[7]. mapillary：inplace_abn。
[8]. Cadene：pretrained-models.pytorch。
[9]. Maxim Berman：LovaszSoftmax。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。