paddledet 2.3.0

Object detection and instance segmentation toolkit based on PaddlePaddle

简体中文 | English

PaddleDetection

产品动态

• 2021.11.03: 发布release/2.3版本，发布轻量级检测特色模型⚡PP-PicoDet，发布轻量级关键点特色模型⚡PP-TinyPose，发布实时跟踪系统PP-Tracking。新增Swin Transformer，TOOD，GFL目标检测模型。发布Sniper小目标检测优化模型，发布针对EdgeBoard优化PP-YOLO-EB模型。新增轻量化关键点模型Lite HRNet关键点模型并支持Paddle Lite部署。
• 2021.08.10: 发布release/2.2版本，发布Transformer检测系列模型，包括DETR, Deformable DETR, Sparse RCNN。新增Dark HRNet关键点模型和MPII数据集关键点模型，新增人头、车辆跟踪垂类模型。
• 2021.05.20: 发布release/2.1版本，新增关键点检测，模型包括HigherHRNet，HRNet。新增多目标跟踪能力，模型包括DeepSORT，JDE，FairMOT。发布PPYOLO系列模型压缩模型，新增ONNX模型导出教程。

近期活动

🌟 11月23日~26日《智能视觉检测系列方案详解》 🌟

• 【11月23日 19:00-20:00】“闪电版”目标检测算法
• 【11月24日 19:00-20:00】轻量级关键点算法的产业应用
• 【11月25日 19:00-20:00】超强目标跟踪系统剖析
• 【11月26日 19:00-20:00】跨镜跟踪技术详解与实战

👀 直播链接 ：http://live.bilibili.com/21863531

📣 直播回放及PPT课件链接： https://aistudio.baidu.com/aistudio/education/group/info/23670

​ 💖 欢迎大家扫码入群讨论 💖

简介

PaddleDetection为基于飞桨PaddlePaddle的端到端目标检测套件，提供多种主流目标检测、实例分割、跟踪、关键点检测算法，配置化的网络模块组件、数据增强策略、损失函数等，推出多种服务器端和移动端工业级SOTA模型，并集成了模型压缩和跨平台高性能部署能力,帮助开发者更快更好完成端到端全开发流程。

PaddleDetection提供了目标检测、实例分割、多目标跟踪、关键点检测等多种能力

特性

• 模型丰富: 包含目标检测、实例分割、人脸检测等100+个预训练模型，涵盖多种全球竞赛冠军方案
• 使用简洁：模块化设计，解耦各个网络组件，开发者轻松搭建、试用各种检测模型及优化策略，快速得到高性能、定制化的算法。
• 端到端打通: 从数据增强、组网、训练、压缩、部署端到端打通，并完备支持云端/边缘端多架构、多设备部署。
• 高性能: 基于飞桨的高性能内核，模型训练速度及显存占用优势明显。支持FP16训练, 支持多机训练。

套件结构概览

Architectures	Backbones	Components	Data Augmentation
Object Detection Faster RCNN FPN Cascade-RCNN Libra RCNN Hybrid Task RCNN PSS-Det RetinaNet YOLOv3 YOLOv4 PP-YOLOv1/v2 PP-YOLO-Tiny SSD CornerNet-Squeeze FCOS TTFNet PP-PicoDet DETR Deformable DETR Swin Transformer Sparse RCNN Instance Segmentation Mask RCNN SOLOv2 Face Detection FaceBoxes BlazeFace BlazeFace-NAS Multi-Object-Tracking JDE FairMOT DeepSort KeyPoint-Detection HRNet HigherHRNet	ResNet(&vd) ResNeXt(&vd) SENet Res2Net HRNet Hourglass CBNet GCNet DarkNet CSPDarkNet VGG MobileNetv1/v3 GhostNet Efficientnet BlazeNet	Common Sync-BN Group Norm DCNv2 Non-local KeyPoint DarkPose FPN BiFPN BFP HRFPN ACFPN Loss Smooth-L1 GIoU/DIoU/CIoU IoUAware Post-processing SoftNMS MatrixNMS Speed FP16 training Multi-machine training	Resize Lighting Flipping Expand Crop Color Distort Random Erasing Mixup Mosaic Cutmix Grid Mask Auto Augment Random Perspective

模型性能概览

各模型结构和骨干网络的代表模型在COCO数据集上精度mAP和单卡Tesla V100上预测速度(FPS)对比图。

说明：

• CBResNet为Cascade-Faster-RCNN-CBResNet200vd-FPN模型，COCO数据集mAP高达53.3%
• Cascade-Faster-RCNN为Cascade-Faster-RCNN-ResNet50vd-DCN，PaddleDetection将其优化到COCO数据mAP为47.8%时推理速度为20FPS
• PP-YOLO在COCO数据集精度45.9%，Tesla V100预测速度72.9FPS，精度速度均优于YOLOv4
• PP-YOLO v2是对PP-YOLO模型的进一步优化，在COCO数据集精度49.5%，Tesla V100预测速度68.9FPS
• 图中模型均可在模型库中获取

各移动端模型在COCO数据集上精度mAP和高通骁龙865处理器上预测速度(FPS)对比图。

说明：

• 测试数据均使用高通骁龙865(4*A77 + 4*A55)处理器batch size为1, 开启4线程测试，测试使用NCNN预测库，测试脚本见MobileDetBenchmark
• PP-PicoDet及PP-YOLO-Tiny为PaddleDetection自研模型，其余模型PaddleDetection暂未提供

文档教程

入门教程

• 安装说明
• 数据准备
• 30分钟上手PaddleDetecion
• FAQ/常见问题汇总

进阶教程

• 参数配置

  • RCNN参数说明
  • PP-YOLO参数说明

• 模型压缩(基于PaddleSlim)

  • 剪裁/量化/蒸馏教程

• 推理部署

  • 模型导出教程
  • Paddle Inference部署
    • Python端推理部署
    • C++端推理部署
  • Paddle-Lite部署
  • Paddle Serving部署
  • ONNX模型导出
  • 推理benchmark

• 进阶开发

  • 数据处理模块
  • 新增检测模型

模型库

• 通用目标检测:
  • 模型库
  • PP-YOLO模型
  • PP-PicoDet模型
  • 增强版Anchor Free模型TTFNet
  • 移动端模型
  • 676类目标检测
  • 两阶段实用模型PSS-Det
  • 半监督知识蒸馏预训练检测模型
• 通用实例分割
  • SOLOv2
• 旋转框检测
  • S2ANet
• 关键点检测
  • PP-TinyPose
  • HigherHRNet
  • HRNet
  • LiteHRNet
• 多目标跟踪
  • PP-Tracking
  • DeepSORT
  • JDE
  • FairMOT
• 垂类领域
  • 行人检测
  • 车辆检测
  • 人脸检测
• 比赛冠军方案
  • Objects365 2019 Challenge夺冠模型
  • Open Images 2019-Object Detction比赛最佳单模型

应用案例

• 人像圣诞特效自动生成工具
• 安卓健身APP

第三方教程推荐

• PaddleDetection在Windows下的部署(一)
• PaddleDetection在Windows下的部署(二)
• Jetson Nano上部署PaddleDetection经验分享
• 安全帽检测YOLOv3模型在树莓派上的部署
• 使用SSD-MobileNetv1完成一个项目--准备数据集到完成树莓派部署

版本更新

版本更新内容请参考版本更新文档

许可证书

本项目的发布受Apache 2.0 license许可认证。

贡献代码

我们非常欢迎你可以为PaddleDetection提供代码，也十分感谢你的反馈。

• 感谢Mandroide清理代码并且统一部分函数接口。
• 感谢FL77N贡献Sparse-RCNN模型。
• 感谢Chen-Song贡献Swin Faster-RCNN模型。

引用

@misc{ppdet2019,
title={PaddleDetection, Object detection and instance segmentation toolkit based on PaddlePaddle.},
author={PaddlePaddle Authors},
howpublished = {\url{https://github.com/PaddlePaddle/PaddleDetection}},
year={2019}
}