README.md

    简体中文 | English

    文档:https://paddledetection.readthedocs.io

    简介

    PaddleDetection飞桨目标检测开发套件,旨在帮助开发者更快更好地完成检测模型的组建、训练、优化及部署等全开发流程。

    PaddleDetection模块化地实现了多种主流目标检测算法,提供了丰富的数据增强策略、网络模块组件(如骨干网络)、损失函数等,并集成了模型压缩和跨平台高性能部署能力。

    经过长时间产业实践打磨,PaddleDetection已拥有顺畅、卓越的使用体验,被工业质检、遥感图像检测、无人巡检、新零售、互联网、科研等十多个行业的开发者广泛应用。

    产品动态

    • 2020.09.21-27: 【目标检测7日打卡课】手把手教你从入门到进阶,深入了解目标检测算法的前世今生。立即加入课程QQ交流群(1136406895)一起学习吧 :)
    • 2020.07.24: 发布产业最实用目标检测模型 PP-YOLO ,深入考虑产业应用对精度速度的双重面诉求,COCO数据集精度45.2%(最新45.9%),Tesla V100预测速度72.9 FPS,详细信息见文档
    • 2020.06.11: 发布676类大规模服务器端实用目标检测模型,适用于绝大部分使用场景,可以直接用来预测,也可以用于微调其他任务。

    特性

    • 模型丰富: 包含目标检测实例分割人脸检测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。

    套件结构概览

    Architectures Backbones Components Data Augmentation
    • Two-Stage Detection
      • Faster RCNN
      • FPN
      • Cascade-RCNN
      • Libra RCNN
      • Hybrid Task RCNN
      • PSS-Det RCNN
    • One-Stage Detection
      • RetinaNet
      • YOLOv3
      • YOLOv4
      • PP-YOLO
      • SSD
    • Anchor Free
      • CornerNet-Squeeze
      • FCOS
      • TTFNet
    • Instance Segmentation
      • Mask RCNN
      • SOLOv2 is coming soon
    • Face-Detction
      • FaceBoxes
      • BlazeFace
      • BlazeFace-NAS
    • ResNet(&vd)
    • ResNeXt(&vd)
    • SENet
    • Res2Net
    • HRNet
    • Hourglass
    • CBNet
    • GCNet
    • DarkNet
    • CSPDarkNet
    • VGG
    • MobileNetv1/v3
    • GhostNet
    • Efficientnet
    • Common
      • Sync-BN
      • Group Norm
      • DCNv2
      • Non-local
    • FPN
      • BiFPN
      • BFP
      • HRFPN
      • ACFPN
    • Loss
      • Smooth-L1
      • GIoU/DIoU/CIoU
      • IoUAware
    • Post-processing
      • SoftNMS
      • MatrixNMS
    • Speed
      • FP16 training
      • Multi-machine training
    • Resize
    • Flipping
    • Expand
    • Crop
    • Color Distort
    • Random Erasing
    • Mixup
    • Cutmix
    • Grid Mask
    • Auto Augment

    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:

    • CBResNetCascade-Faster-RCNN-CBResNet200vd-FPN模型,COCO数据集mAP高达53.3%
    • Cascade-Faster-RCNNCascade-Faster-RCNN-ResNet50vd-DCN,PaddleDetection将其优化到COCO数据mAP为47.8%时推理速度为20FPS
    • PaddleDetection增强版YOLOv3-ResNet50vd-DCN在COCO数据集mAP高于原作10.6个绝对百分点,推理速度为61.3FPS,快于原作约70%
    • 图中模型均可在模型库中获取

    文档教程

    入门教程

    进阶教程

    模型库

    版本更新

    v0.4.0版本已经在07/2020发布,增加PP-YOLO, TTFNet, HTC, ACFPN等多个模型,新增BlazeFace人脸关键点检测模型,新增移动端SSDLite系列优化模型,新增GridMask,RandomErasing数据增强方法,新增Matrix NMS和EMA训练,提升易用性,修复已知诸多bug等,详细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。

    项目简介

    Object detection and instance segmentation toolkit based on PaddlePaddle.

    发行版本 4

    v2.2.0

    全部发行版

    贡献者 41

    全部贡献者

    开发语言

    • Python 92.8 %
    • C++ 3.5 %
    • Jupyter Notebook 1.6 %
    • Cuda 1.1 %
    • CMake 0.7 %