杂记
以下是在图像分割任务上对三个流行库——MMSegmentation（OpenMMLab）、Segmentation Models Pytorch（以下简称 SMP，由 qubvel 维护）以及 Torchvision（PyTorch 官方子模块）——在模型多样性、预训练模型与评估报告、速度性能、社区支持与易用性等方面的细致比较。
核心结论：
MMSegmentation 拥有最丰富的算法实现与统一的 Benchmark，适合追求最前沿、全面比较的研究；SMP 则以简洁的 API 和对 800+ 编码器的支持著称，模型容量大、便于快速原型迭代；Torchvision 虽然模型种类最少，但得益于 PyTorch 官方身份，依托核心库自带最稳定的预训练权重和轻量级部署，适合对轻量任务和快速集成的场景。
MMSegmentation：OpenMMLab 旗下的语义分割一站式工具箱，支持从 PSPNet、DeepLabV3+ 到 HRNet、OCRNet 等 25+ 主流与前沿方法，且提供统一的配置系统与 Benchmark 工具(GitHub, mmsegmentation.readthedocs.io)。
Segmentation Models Pytorch (SMP)：由 Pavel Iakubovskii 发起、qubvel 维护的社区驱动项目，封装了 U-Net、FPN、PAN、DeepLabV3+、PSPNet、SegFormer、UPerNet 等 30+ 分割架构，并基于 timm 支持 800+ 编码器(GitHub, GitHub)。
Torchvision.models.segmentation：PyTorch 官方子模块，现包含 FCN（ResNet50/101）、DeepLabV3（ResNet50/101、MobileNetV3）、LR-ASPP（MobileNetV3）三大语义分割模型，以及 Mask R‑CNN 等实例分割模型，种类最少但维护稳定(PyTorch)。
算法实现：覆盖经典与前沿，从 FCN、PSPNet、DeepLabV3+，到 OCRNet、CCNet、HRNet、SegFormer、SET R 等共计 25+ 种方法(mmsegmentation.readthedocs.io)。
模型容量：用户可自由组合多达 50+ Backbone、Decode Head、Auxiliary Head 等组件，支持自定义扩展。
算法实现：内置 U-Net、FPN、PAN、PSPNet、DeepLabV3+、UPerNet、LinkNet、SegFormer、DPT 等约 30+ 分割架构。
编码器支持：通过 timm 集成 800+ 编码器（包括 ConvNeXt、Swin、MobileViT、EfficientFormer 等），可选轻量到高容量网络，覆盖从几百万到数亿参数的范围(GitHub, GitHub)。
算法实现：仅提供 FCN、DeepLabV3、LR-ASPP 三种语义分割主干；实例分割则有 Mask R‑CNN。
编码器限制：仅限官方实现的 ResNet 与 MobileNetV3，无法直接调用第三方 timm 编码器(PyTorch)。
统一 Benchmark：官方在 Cityscapes、ADE20K、COCO-Stuff 等数据集上对 ResNet-101V1c Backbone 的 PSPNet、DeepLabV3+ 等实现进行了规范化训练与测试，结果与速度一并公开(mmsegmentation.readthedocs.io)。
Model Zoo：提供数十个经典与新兴模型的权重与 mIoU、参数量、GFLOPS 等指标。
预训练权重：所有 timm 编码器均带 ImageNet 权重，部分模型（如 DPT、SegFormer、UPerNet）提供在 ADE20K 等数据集上预训练的 checkpoint，可通过 smp.from_pretrained 一行代码加载�(GitHub)。
评估报告：无统一官方 Benchmark，但在 GitHub “Competitions won” 页面罗列了多个分割竞赛中的使用案例与成绩，社区驱动评估为主(GitHub)。
预训练权重：官方在 COCO 与 Pascal VOC 子集（20 类）上提供权重，并在文档中列出所有语义分割模型的 mIoU、像素准确率、参数量与 GFLOPS：如 DeepLabV3_ResNet101 在 VOC 上达 67.4% mIoU，61.0M 参数，258.7 GFLOPS(PyTorch)。
评估报告：仅表格化展示，无统一训练脚本或官网 Benchmark。
训练速度：在 8×V100、1024×512 分辨率、批量大小 2、ResNet-101V1c Backbone 下，PSPNet 平均 0.83 s/iter，DeepLabV3+ 平均 0.85 s/iter(mmsegmentation.readthedocs.io)。
推理速度：官方以 slide 与 whole 两种策略测量前向及后处理时间，排除了数据加载开销，给出多种方法的对比结果。
训练速度：无官方公布；可以视作原生 PyTorch 实现，开销与 SMP 类似。
推理速度：据 GFLOPS 可粗略估算，deeplabv3_mobilenet_v3_large 仅 2.09 GFLOPS，适合实时场景；而 deeplabv3_resnet101 则需 ~259 GFLOPS，适合高精度场景(PyTorch)。
MMSegmentation：GitHub ★28k+，OpenMMLab 生态下文档齐全、配置化管理、示例与教程丰富。Issue 响应速度快，定期更新。
SMP：GitHub ★10k+，社区活跃，文档清晰、API 简单；部分高级功能（如混合精度、分布式）需用户自行实现。
Torchvision：PyTorch 核心库，GitHub ★60k+，分割模块仍在 Beta，文档相对简洁，多任务（分类/检测/分割）一体化。
MMSegmentation：学习曲线较陡，需要理解配置系统、组件组合与训练脚本；适合大型项目与科研。
SMP：极简 API，通常两行代码即可初始化并训练模型，适合快速原型与竞赛。
Torchvision：最易上手，与 PyTorch 同步更新，适合轻量集成与快速原型。
| 维度 | MMSegmentation | SMP | Torchvision |
|---|---|---|---|
| 模型多样性 | ★★★★★（25+ 主流与前沿方法） | ★★★★（30+ 架构、800+ 编码器） | ★★（3 种语义、1 种实例） |
| 预训练模型 | ★★★★（官方 Model Zoo） | ★★★（SMP Hub, ADE20K 等） | ★★★（COCO/VOC 权重） |
| 统一评估报告 | ★★★★★（Benchmark & Model Zoo） | ★★（社区竞赛案例） | ★★（参数表格） |
| 训练速度 | ★★★★（0.83–0.85 s/iter） | ★★★（无基准，取决于编码器/架构） | ★★★（与原生 PyTorch 相同） |
| 推理速度 | ★★★★（slide/whole 测量） | ★★★（优化可达实时） | ★★★（GFLOPS 表格可估） |
| 易用性 | ★★（需掌握配置系统） | ★★★★★（API 极简） | ★★★★★（官方核心） |
| 社区与文档 | ★★★★★（OpenMMLab 生态） | ★★★★（qubvel 社区） | ★★★★★（PyTorch 核心） |
选择建议：
追求最前沿模型、需要系统性 Benchmark及高度可定制场景，选 MMSegmentation；
需要快速原型、广泛编码器支持及竞赛级性能，选 Segmentation Models Pytorch；
对轻量集成、原生 PyTorch体验和稳定预训练有需求，且模型种类不多，选 Torchvision。