飞桨目标检测开发文档
简体中文 | English
飞桨目标检测开发套件，端到端地完成从训练到部署的全流程目标检测应用。
产品动态
-
2022.8.26：PaddleDetection发布release/2.5版本
- 特色模型：
- 发布PP-YOLOE+，最高精度提升2.4% mAP，达到54.9% mAP，模型训练收敛速度提升3.75倍，端到端预测速度最高提升2.3倍；多个下游任务泛化性提升
- 发布PicoDet-NPU模型，支持模型全量化部署；新增PicoDet版面分析模型
- 发布PP-TinyPose升级版增强版，在健身、舞蹈等场景精度提升9.1% AP，支持侧身、卧躺、跳跃、高抬腿等非常规动作
- 场景能力：
- 发布行人分析工具PP-Human v2，新增打架、打电话、抽烟、闯入四大行为识别，底层算法性能升级，覆盖行人检测、跟踪、属性三类核心算法能力，提供保姆级全流程开发及模型优化策略，支持在线视频流输入
- 首次发布PP-Vehicle，提供车牌识别、车辆属性分析（颜色、车型）、车流量统计以及违章检测四大功能，兼容图片、在线视频流、视频输入，提供完善的二次开发文档教程
- 前沿算法：
- 全面覆盖的YOLO家族经典与最新模型代码库PaddleDetection_YOLOSeries: 包括YOLOv3，百度飞桨自研的实时高精度目标检测模型PP-YOLOE，以及前沿检测算法YOLOv4、YOLOv5、YOLOX，MT-YOLOv6及YOLOv7
- 新增基于ViT骨干网络高精度检测模型，COCO数据集精度达到55.7% mAP；新增OC-SORT多目标跟踪模型；新增ConvNeXt骨干网络
- 产业范例：新增智能健身、打架识别、来客分析、车辆结构化范例
- 特色模型：
-
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。
热门活动
❗️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
- 智慧金融行业深入洞察
- 8节理论+实践精品直播课
- 10+真实产业场景范例教学及实践
- 更有免费算力+结业证书等礼品等你来拿
扫码报名码住直播链接，与行业精英深度交流！
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 微信用户群（扫码填写问卷即可入群）
- 入群福利 ：获取PaddleDetection团队整理的重磅学习大礼包
- 福利一：获取飞桨联合业界企业整理的开源数据集
- 福利二：获取PaddleDetection历次发版直播视频与最新直播咨询
- 福利三：获取垂类场景预训练模型集合，包括工业、安防、交通等5+行业场景
- 福利四：获取10+全流程产业实操范例，覆盖火灾烟雾检测、人流量计数等产业高频场景
- 入群福利 ：获取PaddleDetection团队整理的重磅学习大礼包
套件结构概览
| Architectures | Backbones | Components | Data Augmentation |
|
Details
|
Common
|
Details
|
模型性能概览
云端模型性能对比
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- 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
模型库
1. 通用检测
PP-YOLOE+系列 推荐场景：Nvidia V100, T4等云端GPU和Jetson系列等边缘端设备
| 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 |
PP-PicoDet系列 推荐场景：ARM CPU(RK3399, 树莓派等) 和NPU(比特大陆，晶晨等)移动端芯片和x86 CPU设备
| 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 |
前沿检测算法
| 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。
其他通用检测模型 文档链接
2. 实例分割| 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 |
其他关键点检测模型 文档链接
4. 多目标跟踪PP-Tracking| 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 |
其他多目标跟踪模型 文档链接
5. 产业级实时行人分析工具PP-Human| 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
6. 产业级实时车辆分析工具PP-Vehicle| 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
文档教程
入门教程
- 安装说明
- 快速体验
- 数据准备
- PaddleDetection全流程使用
- 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
- 二次开发教程
- 目标检测
- 关键点检测
- 多目标跟踪
- 行为识别
- 属性识别
课程专栏
-
【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
产业实践范例教程
-
基于PP-TinyPose增强版的智能健身动作识别
-
基于PP-Human的打架识别
-
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FairMOT实现人流量统计
-
基于PP-Human的来客分析案例教程
-
更多其他范例
应用案例
- 安卓健身APP
- 多目标跟踪系统GUI可视化界面
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}
}