同步操作将从 PaddlePaddle/PaddleDetection 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
简体中文 | English
🎊 【AI快车道三日课】PP-YOLOE+、PP-Human v2、PP-Vehicle技术方案大揭秘!
🔥 2022.8.26:PaddleDetection发布release/2.5版本
2022.3.24:PaddleDetection发布release/2.4版本
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300+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。
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)
Architectures | Backbones | Components | Data Augmentation |
Object DetectionInstance SegmentationFace DetectionMulti-Object-TrackingKeyPoint-Detection |
Details
|
Common
KeyPoint
FPN
Loss
Post-processing
Speed
|
Details
|
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:
ViT
为ViT-Cascade-Faster-RCNN
模型,COCO数据集mAP高达55.7%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20FPSPP-YOLOE
是对PP-YOLO v2
模型的进一步优化,L版本在COCO数据集mAP为51.6%,Tesla V100预测速度78.1FPSPP-YOLOE+
是对PPOLOE
模型的进一步优化,L版本在COCO数据集mAP为53.3%,Tesla V100预测速度78.1FPSYOLOX
和YOLOv5
均为基于PaddleDetection复现算法,YOLOv5
代码在PaddleYOLO
中,参照YOLOSERIES_MODEL
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:
模型名称 | COCO精度(mAP) | V100 TensorRT FP16速度(FPS) | 配置文件 | 模型下载 |
---|---|---|---|---|
PP-YOLOE+_s | 43.9 | 333.3 | 链接 | 下载地址 |
PP-YOLOE+_m | 50.0 | 208.3 | 链接 | 下载地址 |
PP-YOLOE+_l | 53.3 | 149.2 | 链接 | 下载地址 |
PP-YOLOE+_x | 54.9 | 95.2 | 链接 | 下载地址 |
模型名称 | COCO精度(mAP) | 骁龙865 四线程速度(ms) | 配置文件 | 模型下载 |
---|---|---|---|---|
PicoDet-XS | 23.5 | 7.81 | 链接 | 下载地址 |
PicoDet-S | 29.1 | 9.56 | 链接 | 下载地址 |
PicoDet-M | 34.4 | 17.68 | 链接 | 下载地址 |
PicoDet-L | 36.1 | 25.21 | 链接 | 下载地址 |
模型名称 | COCO精度(mAP) | V100 TensorRT FP16速度(FPS) | 配置文件 | 模型下载 |
---|---|---|---|---|
YOLOX-l | 50.1 | 107.5 | 链接 | 下载地址 |
YOLOv5-l | 48.6 | 136.0 | 链接 | 下载地址 |
YOLOv7-l | 51.0 | 135.0 | 链接 | 下载地址 |
注意:
YOLOv5
和YOLOv7
代码在PaddleYOLO
中,为基于PaddleDetection
复现的算法,可参照YOLOSERIES_MODEL。模型名称 | 模型简介 | 推荐场景 | COCO精度(mAP) | 配置文件 | 模型下载 |
---|---|---|---|---|---|
Mask RCNN | 两阶段实例分割算法 | 云边端 | box AP: 41.4 mask AP: 37.5 |
链接 | 下载地址 |
Cascade Mask RCNN | 两阶段实例分割算法 | 云边端 | box AP: 45.7 mask AP: 39.7 |
链接 | 下载地址 |
SOLOv2 | 轻量级单阶段实例分割算法 | 云边端 | mask AP: 38.0 | 链接 | 下载地址 |
模型名称 | 模型简介 | 推荐场景 | COCO精度(AP) | 速度 | 配置文件 | 模型下载 |
---|---|---|---|---|---|---|
HRNet-w32 + DarkPose | top-down 关键点检测算法 输入尺寸384x288 |
云边端 |
78.3 | T4 TensorRT FP16 2.96ms | 链接 | 下载地址 |
HRNet-w32 + DarkPose | top-down 关键点检测算法 输入尺寸256x192 |
云边端 | 78.0 | T4 TensorRT FP16 1.75ms | 链接 | 下载地址 |
PP-TinyPose | 轻量级关键点算法 输入尺寸256x192 |
移动端 | 68.8 | 骁龙865 四线程 6.30ms | 链接 | 下载地址 |
PP-TinyPose | 轻量级关键点算法 输入尺寸128x96 |
移动端 | 58.1 | 骁龙865 四线程 2.37ms | 链接 | 下载地址 |
模型名称 | 模型简介 | 推荐场景 | 精度 | 配置文件 | 模型下载 |
---|---|---|---|---|---|
ByteTrack | SDE多目标跟踪算法 仅包含检测模型 | 云边端 | MOT-17 test: 78.4 | 链接 | 下载地址 |
FairMOT | JDE多目标跟踪算法 多任务联合学习方法 | 云边端 | MOT-16 test: 75.0 | 链接 | 下载地址 |
OC-SORT | SDE多目标跟踪算法 仅包含检测模型 | 云边端 | MOT-17 half val: 75.5 | 链接 | 下载地址 |
任务 | 端到端速度(ms) | 模型方案 | 模型体积 |
---|---|---|---|
行人检测(高精度) | 25.1ms | 目标检测 | 182M |
行人检测(轻量级) | 16.2ms | 目标检测 | 27M |
行人跟踪(高精度) | 31.8ms | 多目标跟踪 | 182M |
行人跟踪(轻量级) | 21.0ms | 多目标跟踪 | 27M |
属性识别(高精度) | 单人8.5ms |
目标检测 属性识别 |
目标检测:182M 属性识别:86M |
属性识别(轻量级) | 单人7.1ms |
目标检测 属性识别 |
目标检测:182M 属性识别:86M |
摔倒识别 | 单人10ms |
多目标跟踪 关键点检测 基于关键点行为识别 |
多目标跟踪:182M 关键点检测:101M 基于关键点行为识别:21.8M |
闯入识别 | 31.8ms | 多目标跟踪 | 182M |
打架识别 | 19.7ms | 视频分类 | 90M |
抽烟识别 | 单人15.1ms |
目标检测 基于人体id的目标检测 |
目标检测:182M 基于人体id的目标检测:27M |
打电话识别 | 单人ms |
目标检测 基于人体id的图像分类 |
目标检测:182M 基于人体id的图像分类:45M |
点击模型方案中的模型即可下载指定模型
详细信息参考文档
任务 | 端到端速度(ms) | 模型方案 | 模型体积 |
---|---|---|---|
车辆检测(高精度) | 25.7ms | 目标检测 | 182M |
车辆检测(轻量级) | 13.2ms | 目标检测 | 27M |
车辆跟踪(高精度) | 40ms | 多目标跟踪 | 182M |
车辆跟踪(轻量级) | 25ms | 多目标跟踪 | 27M |
车牌识别 | 4.68ms |
车牌检测 车牌识别 |
车牌检测:3.9M 车牌字符识别: 12M |
车辆属性 | 7.31ms | 属性识别 | 7.2M |
点击模型方案中的模型即可下载指定模型
详细信息参考文档
参数配置
模型压缩(基于PaddleSlim)
进阶开发
【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
【学术交流】2022.9.27 YOLO Vision世界学术交流大会: PaddleDetection受邀参与首个以YOLO为主题的YOLO Vision世界大会,与全球AI领先开发者学习交流
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。
Sparse-RCNN
模型。Swin Faster-RCNN
模型。@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}
}
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。