fry-bisenetv2 0.1.1

BiSeNetV2 semantic segmentation inference utilities.

fry-bisenetv2

fry-bisenetv2 是一个 BiSeNetV2 语义分割推理包。安装后可以在 Python 中调用 FryBisenetV2Predictor，也可以用命令行 fry-bisenetv2 对单张图片或图片目录做推理。

模型权重 .pth 不会随 pip 包发布，需要使用者自己提供训练好的权重文件。

安装

本地开发安装：

pip install -e .[dev]

普通安装：

pip install fry-bisenetv2

如果还没有发布到 PyPI，可以先从当前项目目录安装：

pip install .

快速使用

from fry_bisenetv2 import FryBisenetV2Predictor

predictor = FryBisenetV2Predictor(
    pth_path="path/to/segmentation_bisenetv2.pth",
    real_seg_class_dict={
        1: "dinosaur",
        2: "obstacle",
        3: "bird",
    },
    imgSize_train_dict={"width": 1024, "height": 1024},
    confidence=0.5,
    input_channels=3,
)

result = predictor.predict_single_image(
    img_path="path/to/input.jpg",
    save_visualization=True,
    save_json=True,
    answer_json_dir="outputs",
    input_channels=3,
)

print(result)

旧导入方式仍然兼容：

from bisenetv2_predict import FryBisenetV2Predictor

命令行使用

先准备类别文件，例如 examples/classes.json：

{
  "1": "dinosaur",
  "2": "obstacle",
  "3": "bird"
}

单张图片推理：

fry-bisenetv2 ^
  --weights path/to/segmentation_bisenetv2.pth ^
  --input path/to/input.jpg ^
  --classes examples/classes.json ^
  --img-width 1024 ^
  --img-height 1024 ^
  --output-dir outputs

图片目录批量推理：

fry-bisenetv2 ^
  --weights path/to/segmentation_bisenetv2.pth ^
  --input path/to/images ^
  --classes examples/classes.json ^
  --img-width 1024 ^
  --img-height 1024 ^
  --output-dir outputs

输出结果

predict_single_image() 返回类似下面的字典：

{
    "num": 1,
    "cls": [1],
    "names": ["dinosaur"],
    "conf": 0.93,
    "shapes": [
        {
            "class_num": 1,
            "label": "dinosaur",
            "probability": 0.93,
            "points": [[10, 20], [11, 20], [12, 21]]
        }
    ]
}

其中 points 是映射回原图坐标系的轮廓点。

示例

• 单张图片推理
• 批量图片推理
• OpenCV BGR 数组推理
• 命令行示例

核心说明

类的关键参数、推理流程、输出结构和注意事项见：

• docs/CORE_CONCEPTS.md

测试

pytest

当前测试覆盖：

• 公共导入入口；
• CLI 类别解析和图片路径收集；
• letterbox resize/补边逻辑；
• 分割结果轮廓生成；
• 可视化绘制。

打包

构建 wheel 和 sdist：

python -m build

构建结果会出现在 dist/ 目录。

发布到 PyPI 前建议检查：

python -m twine check dist/*

发布到 TestPyPI：

python -m twine upload --repository testpypi dist/*

发布到正式 PyPI：

python -m twine upload dist/*