简体中文 | English

• 2021年11月03日: 发布release/2.3版本,发布轻量级检测特色模型⚡PP-PicoDet,发布轻量级关键点特色模型⚡PP-TinyPose。新增Swin Transformer,TOOD,GFL目标检测模型。发布Sniper小目标检测优化模型,发布针对EdgeBoard优化PP-YOLO-EB模型。新增轻量化关键点模型Lite HRNet关键点模型并支持Paddle Lite部署。
• 2021年08月10日: 发布release/2.2版本,发布Transformer检测系列模型,包括DETR, Deformable DETR, Sparse RCNN。新增Dark HRNet关键点模型和MPII数据集关键点模型,新增人头、车辆跟踪垂类模型。
• 2021年05月20日: 发布release/2.1版本,新增关键点检测,模型包括HigherHRNet,HRNet。新增多目标跟踪能力,模型包括DeepSORT,JDE,FairMOT。发布PPYOLO系列模型压缩模型,新增ONNX模型导出教程。

PaddleDetection为基于飞桨PaddlePaddle的端到端目标检测套件,提供多种主流目标检测、实例分割、跟踪、关键点检测算法,配置化的网络模块组件、数据增强策略、损失函数等,推出多种服务器端和移动端工业级SOTA模型,并集成了模型压缩和跨平台高性能部署能力,帮助开发者更快更好完成端到端全开发流程。

• 模型丰富: 包含目标检测、实例分割、人脸检测等100+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。

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
• 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

• 安装说明
• 数据准备
• 30分钟上手PaddleDetecion
• 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

• 通用目标检测:
  • 模型库
  • PP-YOLO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
  • HigherHRNet
  • HRNet
  • LiteHRNet
• 多目标跟踪
  • DeepSORT
  • JDE
  • FairMOT
• 垂类领域
  • 行人检测
  • 车辆检测
  • 人脸检测
• 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

• 人像圣诞特效自动生成工具

• 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。

@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}
}