前言 人像抠图将图像中的人物与背景进行像素级别的区分的技术。通过人像分割，可以实现诸如背景虚化、弹幕穿人等各种有趣的功能，为视频通话和影音观看提供更加优质和丰富的体验。由于广泛部署到Web、手机和边缘设备，肖像分割在兼顾分割精度的前提下，需要具有极快的推理速度。 PP-HumanSeg v2人像分割方案是一项重要的突破，采用了深度学习技术，以96.63%的mIoU精度和仅15.86ms的推理耗

人工智能技术的快速发展，给我们的生活和工作带来了各种有趣便利的体验。比如在视频通话和观看直播时的背景虚化、弹幕穿人等神奇的功能，给我们的视频通话及影音观看带来了更优质的体验和多维的乐趣。那这是靠什么AI黑科技实现的呢？ 答案就是咱们本篇的主角–人像分割。 图1 PP-HumanSeg v2人像效果展示图 人像分割是将人物和背景在像素级别进行区分，通常可以分为半身人像的肖像分割和针对全身人

人像分割是图像分割领域的高频应用，PaddleSeg推出在大规模人像数据上训练的人像分割系列模型PP-HumanSeg，包括超轻量级模型PP-HumanSeg-Lite，满足在服务端、移动端、Web端多种使用场景的需求。本项目将PP-HumanSeg-Lite模型转为onnx并部署到树莓派，实现人像抠图效果。效果如下图所示（这里只露个半脸）： 目录 一、介绍           硬件  软

文章目录 前言一、模型导出1.1 导出预测模型1.2 导出为ONNX格式1.2.1 安装paddle2onnx1.2.2 格式转换 二、ONNX模型属性结构2.1 模型属性2.2 模型结构 三、ONNX模型使用3.1 代码3.2 运行 四、分割效果展示4.1 原图4.2 分割 参考 前言 在上一篇内容中已经对PP-HumanSeg模型进行了训练和微调，为了方便后续的部署，在这篇

若该文为原创文章，转载请注明原文出处。 关于PP-Humanseg是在正点原子的3568开发板AI测试例子里看到的，目的也是想自己训练并部署，这里记录一下训练和在onnxruntime部署运行的全过程，会转成ONNX，至于部署到rk3568上，会在另一篇文章説明ONNX转成RKNN并部署到RK3568. 一、训练模型 一、介绍 本文将PaddleSeg的人像分割（PP-HumanSeg）模