Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
肖雄 ee94a132ab | 1 year ago | |
---|---|---|
.. | ||
activity | 1 year ago | |
benchmark | 1 year ago | |
build/lib/ppdet | 1 year ago | |
configs | 1 year ago | |
dataset | 1 year ago | |
demo | 1 year ago | |
deploy | 1 year ago | |
dist | 1 year ago | |
docs | 1 year ago | |
industrial_tutorial | 1 year ago | |
paddledet.egg-info | 1 year ago | |
ppdet | 1 year ago | |
scripts | 1 year ago | |
test_tipc | 1 year ago | |
tools | 1 year ago | |
README.md | 1 year ago | |
requirements.txt | 1 year ago | |
setup.py | 1 year ago |
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。
❗️重磅❗️飞桨智慧金融行业系列直播课
✅ 覆盖智能风控、智能运维、智能营销、智能客服四大金融主流场景
📆 9月6日-9月29日每周二、四19:00-20.00
扫码报名码住直播链接,与行业精英深度交流!
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 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PaddleDetection_YOLOSeries
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PaddleDetection_YOLOSeries
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
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}
}
基于飞桨目标检测开发套件PaddleDetection进行快速微调训练,评估和预测,一键生成比赛结果文件。模型采用ppyoloe_x_80e,成绩为11月榜5:45.358
Python Markdown C++ Text Shell other
Dear OpenI User
Thank you for your continuous support to the Openl Qizhi Community AI Collaboration Platform. In order to protect your usage rights and ensure network security, we updated the Openl Qizhi Community AI Collaboration Platform Usage Agreement in January 2024. The updated agreement specifies that users are prohibited from using intranet penetration tools. After you click "Agree and continue", you can continue to use our services. Thank you for your cooperation and understanding.
For more agreement content, please refer to the《Openl Qizhi Community AI Collaboration Platform Usage Agreement》