简体中文 | English

• 🔥 2022.8.26：PaddleDetection发布release/2.5版本

  • 🗳 特色模型：
    • 发布PP-YOLOE+，最高精度提升2.4% mAP，达到54.9% mAP，模型训练收敛速度提升3.75倍，端到端预测速度最高提升2.3倍；多个下游任务泛化性提升
    • 发布PicoDet-NPU模型，支持模型全量化部署；新增PicoDet版面分析模型
    • 发布PP-TinyPose升级版增强版，在健身、舞蹈等场景精度提升9.1% AP，支持侧身、卧躺、跳跃、高抬腿等非常规动作
  • 🔮 场景能力：
    • 发布行人分析工具PP-Human v2，新增打架、打电话、抽烟、闯入四大行为识别，底层算法性能升级，覆盖行人检测、跟踪、属性三类核心算法能力，提供保姆级全流程开发及模型优化策略，支持在线视频流输入
    • 首次发布PP-Vehicle，提供车牌识别、车辆属性分析（颜色、车型）、车流量统计以及违章检测四大功能，兼容图片、在线视频流、视频输入，提供完善的二次开发文档教程
  • 💡 前沿算法：
    • 全面覆盖的YOLO家族经典与最新模型: 包括YOLOv3，百度飞桨自研的实时高精度目标检测检测模型PP-YOLOE，以及前沿检测算法YOLOv4、YOLOv5、YOLOX，MT-YOLOv6及YOLOv7
    • 新增基于ViT骨干网络高精度检测模型，COCO数据集精度达到55.7% mAP；新增OC-SORT多目标跟踪模型；新增ConvNeXt骨干网络
  • 📋 产业范例：新增智能健身、打架识别、来客分析、车辆结构化范例

• 2022.3.24：PaddleDetection发布release/2.4版本

  • 发布高精度云边一体SOTA目标检测模型PP-YOLOE，提供s/m/l/x版本，l版本COCO test2017数据集精度51.6%，V100预测速度78.1 FPS，支持混合精度训练，训练较PP-YOLOv2加速33%，全系列多尺度模型，满足不同硬件算力需求，可适配服务器、边缘端GPU及其他服务器端AI加速卡。
  • 发布边缘端和CPU端超轻量SOTA目标检测模型PP-PicoDet增强版，精度提升2%左右，CPU预测速度提升63%，新增参数量0.7M的PicoDet-XS模型，提供模型稀疏化和量化功能，便于模型加速，各类硬件无需单独开发后处理模块，降低部署门槛。
  • 发布实时行人分析工具PP-Human，支持行人跟踪、人流量统计、人体属性识别与摔倒检测四大能力，基于真实场景数据特殊优化，精准识别各类摔倒姿势，适应不同环境背景、光线及摄像角度。
  • 新增YOLOX目标检测模型，支持nano/tiny/s/m/l/x版本，x版本COCO val2017数据集精度51.8%。

• 更多版本发布

PaddleDetection为基于飞桨PaddlePaddle的端到端目标检测套件，内置30+模型算法及250+预训练模型，覆盖目标检测、实例分割、跟踪、关键点检测等方向，其中包括服务器端和移动端高精度、轻量级产业级SOTA模型、冠军方案和学术前沿算法，并提供配置化的网络模块组件、十余种数据增强策略和损失函数等高阶优化支持和多种部署方案，在打通数据处理、模型开发、训练、压缩、部署全流程的基础上，提供丰富的案例及教程，加速算法产业落地应用。

• 模型丰富: 包含目标检测、实例分割、人脸检测、关键点检测、多目标跟踪等250+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。

• 如果你发现任何PaddleDetection存在的问题或者是建议, 欢迎通过GitHub Issues给我们提issues。
• 欢迎加入PaddleDetection 微信用户群（扫码填写问卷即可入群）
  • 入群福利 💎：获取PaddleDetection团队整理的重磅学习大礼包🎁
    • 📊 福利一：获取飞桨联合业界企业整理的开源数据集
    • 👨‍🏫 福利二：获取PaddleDetection历次发版直播视频与最新直播咨询
    • 🗳 福利三：获取垂类场景预训练模型集合，包括工业、安防、交通等5+行业场景
    • 🗂 福利四：获取10+全流程产业实操范例，覆盖火灾烟雾检测、人流量计数等产业高频场景
  

云端模型性能对比

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
• PP-YOLOE是对PP-YOLO v2模型的进一步优化，在COCO数据集精度51.6%，Tesla V100预测速度78.1FPS
• YOLOX和YOLOv5均为基于PaddleDetection复现算法
• 图中模型均可在模型库中获取

移动端模型性能对比

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

• 安装说明
• 快速体验
• 数据准备
• PaddleDetection全流程使用
• FAQ/常见问题汇总

• 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
  • 二次开发教程
    • 目标检测
    • 关键点检测
    • 多目标跟踪
    • 行为识别
    • 属性识别

• 【理论基础】目标检测7日打卡营： 目标检测任务综述、RCNN系列目标检测算法详解、YOLO系列目标检测算法详解、PP-YOLO优化策略与案例分享、AnchorFree系列算法介绍和实践

• 【产业实践】AI快车道产业级目标检测技术与应用： 目标检测超强目标检测算法矩阵、实时行人分析系统PP-Human、目标检测产业应用全流程拆解与实践

• 【行业特色】2022.3.26 智慧城市行业七日课： 城市规划、城市治理、智慧政务、交通管理、社区治理

• 基于PP-TinyPose增强版的智能健身动作识别

• 基于PP-Human的打架识别

• 基于PP-PicoDet增强版的路面垃圾检测

• 基于PP-PicoDet的通信塔识别及Android端部署

• 基于FairMOT实现人流量统计

• 更多其他范例

• 安卓健身APP
• 多目标跟踪系统GUI可视化界面

• 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

版本更新内容请参考版本更新文档

本项目的发布受Apache 2.0 license许可认证。

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。
• 感谢yangyudong, hchhtc123 开发PP-Tracking GUI界面
• 感谢Shigure19 开发PP-TinyPose健身APP
• 感谢manangoel99贡献Wandb可视化方式

@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}
}