简体中文 | English
PaddleDetection
产品动态
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
- Face Detection
- FaceBoxes
- BlazeFace
- BlazeFace-NAS
- Multi-Object-Tracking
- KeyPoint-Detection
|
- 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
- Loss
- Smooth-L1
- GIoU/DIoU/CIoU
- IoUAware
- 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:
文档教程
入门教程
进阶教程
模型库
- 通用目标检测:
- 通用实例分割
- 旋转框检测
- 关键点检测
- HigherHRNet
- HRNet
- LiteHRNet
- 多目标跟踪
- 垂类领域
- 比赛冠军方案
应用案例
第三方教程推荐
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。
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}
}