PaddleX昇腾版上新 | Mask-RT-DETR，实例分割新SOTA
内容提要
飞桨发布的Mask-RT-DETR模型在实例分割任务中表现优异，支持134个模型。该模型基于RT-DETR优化，采用PP-HGNetV2作为骨干网络，提升了精度和速度。通过IoU-aware Query Selection和MaskDINOHead技术，Mask-RT-DETR在相同推理耗时下达到了SOTA级别的精度，适用于多个领域。
关键要点
-
飞桨发布了Mask-RT-DETR模型，支持134个模型，表现优异。
-
Mask-RT-DETR模型基于RT-DETR优化，采用PP-HGNetV2作为骨干网络，提升了精度和速度。
-
实例分割技术广泛应用于遥感、医疗、自动驾驶和智能安防等领域。
-
Mask-RT-DETR在精度和速度的均衡上展现出显著优势。
-
模型结构与RT-DETR基本一致，但进行了多项改进，包括引入MaskFeatFPN模块和IoU-aware Query Selection技术。
-
MaskDINOHead用于生成高质量的掩码输出，提升了模型性能。
-
Mask-RT-DETR的mask mAP达到了48.8%，在相同推理速度下达到了SOTA精度。
-
PaddleX提供低代码开发，支持快速修改和优化模型。
-
通过极简的Python API，开发者可以方便地将模型集成到项目中。
-
PaddleX还提供多种高性能部署方案，满足实时应用需求，增强系统的扩展性和可靠性。
延伸问答
Mask-RT-DETR模型的主要特点是什么？
Mask-RT-DETR模型基于RT-DETR优化，采用PP-HGNetV2作为骨干网络，提升了精度和速度，支持134个模型，具有SOTA级别的精度和速度平衡。
Mask-RT-DETR在实例分割任务中的应用领域有哪些？
Mask-RT-DETR广泛应用于遥感、医疗、自动驾驶和智能安防等领域。
Mask-RT-DETR如何提升模型性能？
通过引入MaskFeatFPN模块和IoU-aware Query Selection技术，Mask-RT-DETR能够筛选高质量的掩码特征，从而提升模型性能。
如何使用PaddleX快速集成Mask-RT-DETR模型？
开发者可以通过三行代码使用PaddleX的Python API快速集成模型，具体代码为：from paddlex import create_model; model = create_model(model_name='Mask-RT-DETR-L', model_dir='your_model_dir', device='npu'); result = model.predict({'input_path': 'xxx.jpg'}).
Mask-RT-DETR的mask mAP达到了多少？
Mask-RT-DETR的mask mAP达到了48.8%。
PaddleX提供了哪些部署方案？
PaddleX提供高性能部署和服务化部署方案，支持实时应用需求，增强系统的扩展性和可靠性。
