Skip to content

Latest commit

 

History

History
100 lines (81 loc) · 4.43 KB

CHANGELOG.md

File metadata and controls

100 lines (81 loc) · 4.43 KB

版本更新信息

最新版本信息

v0.3.0(05/2020)

  • 模型丰富度提升:

    • 添加Efficientdet-D0模型,速度与精度优于竞品。
    • 新增YOLOv4预测模型,精度对齐竞品;新增YOLOv4在Pascal VOC数据集上微调训练,精度达到85.5%。
    • YOLOv3新增MobileNetV3骨干网络,COCO数据集精度达到31.6%。
    • 添加Anchor-free模型FCOS,精度优于竞品。
    • 添加Anchor-free模型CornernetSqueeze,精度优于竞品,优化模型的COCO数据集精度38.2%, +3.7%,速度较YOLOv3-Darknet53快5%。
    • 添加服务器端实用目标检测模型CascadeRCNN-ResNet50vd模型,速度与精度优于竞品EfficientDet。
  • 移动端推出3种模型:

    • SSDLite系列模型:SSDLite-Mobilenetv3 small/large模型,精度优于竞品。
    • YOLOv3移动端方案: YOLOv3-MobileNetv3模型压缩后加速3.5倍,速度和精度均领先于竞品的SSDLite模型。
    • RCNN移动端方案:CascadeRCNN-MobileNetv3经过系列优化, 推出输入图像分别为320x320和640x640的模型,速度与精度具有较高性价比。
  • 预测部署重构:

    • 新增Python预测部署流程,支持RCNN,YOLO,SSD,RetinaNet,人脸系列模型,支持视频预测。
    • 重构C++预测部署,提高易用性。
  • 易用性提升及功能组件:

    • 增加AutoAugment数据增强。
    • 升级检测库文档结构。
    • 支持迁移学习自动进行shape匹配。
    • 优化mask分支评估阶段内存占用。

历史版本信息

v0.2.0(02/2020)

  • 新增模型:
    • 新增基于CBResNet模型。
    • 新增LibraRCNN模型。
    • 进一步提升YOLOv3模型精度,基于COCO数据精度达到43.2%,相比上个版本提升1.4%。
  • 新增基础模块:
    • 主干网络: 新增CBResNet。
    • loss模块: YOLOv3的loss支持细粒度op组合。
    • 正则模块: 新增DropBlock模块。
  • 功能优化和改进:
    • 加速YOLOv3数据预处理,整体训练提速40%。
    • 优化数据预处理逻辑,提升易用性。
    • 增加人脸检测预测benchmark数据。
    • 增加C++预测引擎Python API预测示例。
  • 检测模型压缩 :
    • 裁剪: 发布MobileNet-YOLOv3裁剪方案和模型,基于VOC数据FLOPs - 69.6%, mAP + 1.4%,基于COCO数据FLOPS-28.8%, mAP + 0.9%; 发布ResNet50vd-dcn-YOLOv3裁剪方案和模型,基于COCO数据集FLOPS - 18.4%, mAP + 0.8%。
    • 蒸馏: 发布MobileNet-YOLOv3蒸馏方案和模型,基于VOC数据mAP + 2.8%,基于COCO数据mAP + 2.1%。
    • 量化: 发布YOLOv3-MobileNet和BlazeFace的量化模型。
    • 裁剪+蒸馏: 发布MobileNet-YOLOv3裁剪+蒸馏方案和模型,基于COCO数据FLOPS - 69.6%,基于TensorRT预测加速64.5%,mAP - 0.3 %; 发布ResNet50vd-dcn-YOLOv3裁剪+蒸馏方案和模型,基于COCO数据FLOPS - 43.7%,基于TensorRT预测加速24.0%,mAP + 0.6 %。
    • 搜索: 开源BlazeFace-Nas的完成搜索方案。
  • 预测部署:
    • 集成 TensorRT,支持FP16、FP32、INT8量化推理加速。
  • 文档:

12/2019

  • 增加Res2Net模型。
  • 增加HRNet模型。
  • 增加GIOU loss和DIOU loss。

21/11/2019

  • 增加CascadeClsAware RCNN模型。
  • 增加CBNet,ResNet200和Non-local模型。
  • 增加SoftNMS。
  • 增加Open Image V5数据集和Objects365数据集模型。

10/2019

  • 增加增强版YOLOv3模型,精度高达41.4%。
  • 增加人脸检测模型BlazeFace、Faceboxes。
  • 丰富基于COCO的模型,精度高达51.9%。
  • 增加Objects365 2019 Challenge上夺冠的最佳单模型之一CACascade-RCNN。
  • 增加行人检测和车辆检测预训练模型。
  • 支持FP16训练。
  • 增加跨平台的C++推理部署方案。
  • 增加模型压缩示例。

2/9/2019

  • 增加GroupNorm模型。
  • 增加CascadeRCNN+Mask模型。

5/8/2019

  • 增加Modulated Deformable Convolution系列模型。

29/7/2019

  • 增加检测库中文文档
  • 修复R-CNN系列模型训练同时进行评估的问题
  • 新增ResNext101-vd + Mask R-CNN + FPN模型
  • 新增基于VOC数据集的YOLOv3模型

3/7/2019

  • 首次发布PaddleDetection检测库和检测模型库
  • 模型包括:Faster R-CNN, Mask R-CNN, Faster R-CNN+FPN, Mask R-CNN+FPN, Cascade-Faster-RCNN+FPN, RetinaNet, YOLOv3, 和SSD.