person_monitor_fy/dependence/PaddleDetection/static

简体中文 | English

文档：https://paddledetection.readthedocs.io

简介

PaddleDetection飞桨目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的组建、训练、优化及部署等全开发流程。

PaddleDetection模块化地实现了多种主流目标检测算法，提供了丰富的数据增强策略、网络模块组件（如骨干网络）、损失函数等，并集成了模型压缩和跨平台高性能部署能力。

经过长时间产业实践打磨，PaddleDetection已拥有顺畅、卓越的使用体验，被工业质检、遥感图像检测、无人巡检、新零售、互联网、科研等十多个行业的开发者广泛应用。

产品动态

• 2021.02.07: 发布release/2.0-rc版本，PaddleDetection动态图试用版本，详情参考PaddleDetection动态图。
• 2020.11.20: 发布release/0.5版本,详情请参考版本更新文档。
• 2020.11.10: 添加实例分割模型SOLOv2，在Tesla V100上达到38.6 FPS, COCO-val数据集上mask ap达到38.8，预测速度提高24%，mAP提高2.4个百分点。
• 2020.10.30: PP-YOLO支持矩形图像输入，并新增PACT模型量化策略。
• 2020.09.30: 发布移动端检测demo，可直接扫码安装体验。
• 2020.09.21-27: 【目标检测7日打卡课】手把手教你从入门到进阶，深入了解目标检测算法的前世今生。立即加入课程QQ交流群(1136406895)一起学习吧 :)
• 2020.07.24: 发布产业最实用目标检测模型 PP-YOLO ，深入考虑产业应用对精度速度的双重面诉求，COCO数据集精度45.2%(最新45.9%)，Tesla V100预测速度72.9 FPS，详细信息见文档。
• 2020.06.11: 发布676类大规模服务器端实用目标检测模型，适用于绝大部分使用场景，可以直接用来预测，也可以用于微调其他任务。

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
Two-Stage Detection Faster RCNN FPN Cascade-RCNN Libra RCNN Hybrid Task RCNN PSS-Det RCNN One-Stage Detection RetinaNet YOLOv3 YOLOv4 PP-YOLO SSD Anchor Free CornerNet-Squeeze FCOS TTFNet Instance Segmentation Mask RCNN SOLOv2 Face-Detction FaceBoxes BlazeFace BlazeFace-NAS	ResNet(&vd) ResNeXt(&vd) SENet Res2Net HRNet Hourglass CBNet GCNet DarkNet CSPDarkNet VGG MobileNetv1/v3 GhostNet Efficientnet	Common Sync-BN Group Norm DCNv2 Non-local FPN BiFPN BFP HRFPN ACFPN Loss Smooth-L1 GIoU/DIoU/CIoU IoUAware Post-processing SoftNMS MatrixNMS Speed FP16 training Multi-machine training	Resize Flipping Expand Crop Color Distort Random Erasing Mixup Cutmix Grid Mask Auto Augment

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
• PaddleDetection增强版YOLOv3-ResNet50vd-DCN在COCO数据集mAP高于原作10.6个绝对百分点，推理速度为61.3FPS，快于原作约70%
• 图中模型均可在模型库中获取

文档教程

入门教程

• 安装说明
• 快速开始
• 如何准备数据
• 训练/评估/预测/部署流程
• 如何自定义数据集
• 常见问题汇总

进阶教程

• 参数配置
  • 配置模块设计和介绍
  • RCNN参数说明
  • YOLOv3参数说明
• 迁移学习
  • 如何加载预训练
• 模型压缩(基于PaddleSlim)
  • 压缩benchmark
  • 量化, 剪枝, 蒸馏, 搜索
• 推理部署
  • 模型导出教程
  • 服务器端Python部署
  • 服务器端C++部署
  • 移动端部署
  • 在线Serving部署
  • 推理Benchmark
• 进阶开发
  • 新增数据预处理
  • 新增检测算法

模型库

• 通用目标检测:
  • 模型库和基线
  • 移动端模型
  • Anchor Free
  • PP-YOLO模型
  • 676类目标检测
  • 两阶段实用模型PSS-Det
• 通用实例分割：
  • SOLOv2
• 垂类领域
  • 人脸检测
  • 行人检测
  • 车辆检测
• 比赛方案
  • 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

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

v2.0-rc版本已经在02/2021发布，新增动态图版本，支持RCNN, YOLOv3, PP-YOLO, SSD/SSDLite, FCOS, TTFNet, SOLOv2等系列模型，支持模型剪裁和量化，支持预测部署及TensorRT推理加速，详细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。