简体中文 | English

产品动态

• 🔥 2022.8.09：YOLO家族全系列模型发布

  • 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
  • 更强的模型性能：基于各家前沿YOLO算法进行创新并升级，缩短训练周期5~8倍，精度普遍提升1%~5% mAP；使用模型压缩策略实现精度无损的同时速度提升30%以上
  • 完备的端到端开发支持：支持从模型训练、评估、预测到模型量化压缩，部署多种硬件的端到端开发全流程。同时支持不同模型算法灵活切换，一键实现算法二次开发

• 🔥 2022.8.01：发布PP-TinyPose升级版. 在健身、舞蹈等场景的业务数据集端到端AP提升9.1

  • 新增体育场景真实数据，复杂动作识别效果显著提升，覆盖侧身、卧躺、跳跃、高抬腿等非常规动作
  • 检测模型采用PP-PicoDet增强版，在COCO数据集上精度提升3.1%
  • 关键点稳定性增强，新增滤波稳定方式，使得视频预测结果更加稳定平滑

• 2022.7.14：行人分析工具PP-Human v2发布

  • 四大产业特色功能：高性能易扩展的五大复杂行为识别、闪电级人体属性识别、一行代码即可实现的人流检测与轨迹留存以及高精度跨镜跟踪
  • 底层核心算法性能强劲：覆盖行人检测、跟踪、属性三类核心算法能力，对目标人数、光线、背景均无限制
  • 极低使用门槛：提供保姆级全流程开发及模型优化策略、一行命令完成推理、兼容各类数据输入格式

• 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

简介

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。

提供目标检测、实例分割、多目标跟踪、关键点检测等多种能力

应用场景覆盖工业、智慧城市、安防、交通、零售、医疗等十余种行业

特性

• 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。

技术交流

• 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 QQ、微信用户群（添加并回复小助手“检测”）

  

套件结构概览

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
• 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

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

文档教程

入门教程

• 安装说明
• 数据准备
• 30分钟上手PaddleDetecion
• FAQ/常见问题汇总

进阶教程

• 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

课程专栏

• 2022.4.19 产业级目标检测技术与应用三日课： 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

• 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

产业实践范例教程

• 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Faster-RCNN的瓷砖表面瑕疵检测

• 基于PaddleDetection的PCB瑕疵检测

• 基于FairMOT实现人流量统计

• 基于YOLOv3实现跌倒检测

• 基于PP-PicoDetv2 的路面垃圾检测

• 基于人体关键点检测的合规检测

模型库

• 通用目标检测:
  • 模型库
  • PP-YOLOE模型
  • PP-YOLO模型
  • PP-PicoDet模型
  • 增强版Anchor Free模型TTFNet
  • 移动端模型
  • 676类目标检测
  • 两阶段实用模型PSS-Det
  • 半监督知识蒸馏预训练检测模型
• 通用实例分割
  • SOLOv2
• 旋转框检测
  • S2ANet
• 关键点检测
  • PP-TinyPose
  • HigherHRNet
  • HRNet
  • LiteHRNet
• 多目标跟踪
  • PP-Tracking
  • DeepSORT
  • JDE
  • FairMOT
  • ByteTrack
• 垂类领域
  • 行人检测
  • 车辆检测
  • 人脸检测
• 场景化工具
  • 实时行人分析工具PP-Human
• 比赛冠军方案
  • 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
• 安卓健身APP

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

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。

• 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

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}
}