文章目录1、PP-YOLO1.1、网络架构1.1.1、BackBone骨干网络1.1.2、DetectionNeck1.1.3、DetectionHead1.2、Tricks的选择1.2.1、更大的batchsize1.2.2、滑动平均1.2.3、DropBlock1.2.4、IOULoss1.2.5、IOUAware1.2.6、GRIDSensitive1.2.7、MatrixNMS1.2.8、

我们在之前的PP-YOLOv2的基础上进行优化，采用无锚模式，更强大的骨干和颈部配备CSPRepResStage,ET-head和动态标签分配算法TAL。我们为不同的实践场景提供s/m/l/x模型。

论文地址：https://arxiv.org/pdf/2203.16250.pdf发表时间：2022PP-YOLOE基于PP-YOLOv2改进实现，其中PP-YOLOv2的整体架构包含了具有可变形卷积的

AnevolvedversionofYOLO》github：https://github.com/PaddlePaddle/PaddleDetection/tree/develop创新点PP-YOLOE基于之前PP-YOLOv2

PP-YOLOE是基于PP-YOLOv2的单阶段Anchor-free模型，超越了多种流行的yolo模型。

相比较PP-YOLOv2提升1.9AP和13.35%的速度，相比较YOLOX提升1.3AP和24.96%的速度。

YOLOR是最新的最先进的对象检测模型，比YOLOv4、ScaledYOLOv4、YOLOv5和PP-YOLOv2更好更快！在本教程中，我将向

&TitlePP-YOLO:AnEffectiveandEfficientImplementationofObjectDetector（2020）PP-YOLOv2:APracticalObjectDetector

本文在之前的PP-YOLOv2的基础上进行优化，使用了anchor-free范式、更加强大的主干、配备CSPRepResStage的neck设计、ET-head以及动态标签分配算法TAL。

&TitlePP-YOLO:AnEffectiveandEfficientImplementationofObjectDetector（2020）PP-YOLOv2:APracticalObjectDetector

PP-YOLOv2目录PP-YOLOv2的改进点数据增强：+MixUpBackbone：换R50+BetterPre-Train+dcnNeck：+SPP+CoordConv+DropBlock+PAN

Windows10系统PPYOLOv2实操因为之前一直是用pytorch框架，所以这次从paddle环境搭建，到用pp-yolov2训练自己的数据集记录下全过程。我的电脑是win1064位系统。

本文转载自极市平台。作者丨happy审稿丨邓富城编辑丨极市平台导读本文是百度的研究员对PP-YOLO的一次升级，从PP-YOLO出发，通过增量消融方式逐步添加有助于性能提升且不增加推理耗时的措施，取得了更佳的性能(49.5%mAP)-速度(69FPS)均衡，并优于YOLOv4与YOLOv5。paper:https://arxiv.org/abs/2104.10419code:https://git

YOLO系列目标检测算法目录-文章链接YOLO系列目标检测算法总结对比-文章链接YOLOv1-文章链接YOLOv2-文章链接YOLOv3-文章链接YOLOv4-文章链接Scaled-YOLOv4-文章链接YOLOv5-文章链接YOLOv6-文章链接YOLOv7-文章链接PP-YOLO-文章链接PP-YOLOv2-文章链接YOLOR-文章链接YOLOS-文章链接YOLOX-文章链接PP-YOLOE-

引言官方文档的数据准备写的十分详细，这里笔者根据个人操作进行总结。官方数据准备文档：https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.1/docs/tutorials/PrepareDataSet.md1.准备训练数据笔者将自定义的数据集转成转成VOC数据格式，执行步骤如下：最初的数据集结构如下：dataset/name(

PaddlePaddle验证PaddlePaddle安装PaddleDetection二、训练过程1.数据集准备2.修改配置文件3.生成自适应的anchor（可选）4.训练5.评估6.推理7.日志总结前言记录使用PP-YOLOv2

于是，作者表示不服，继续对PP-YOLO进行改进，最终得到了PP-YOLOv2，再次形成碾压之势，见上图

但是，这激励我，后续会继续研究下PP-YOLO系列（PP-YOLO，PP-YOLOv2,PP-YOLOE）；Scaled-YOLOv4和Anchor-free的YOLOX。当

点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG来源丨集智书童PP-YOLOE是基于PP-YOLOv2的卓越的单阶段Anchor-free模型，超越了多种流行的yolo模型

//arxiv.org/pdf/2203.00555.pdf源代码：https://github.com/microsoft/unilm计算机视觉研究院专栏作者：Edison_GPP-YOLOE是基于PP-YOLOv2

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文转载自：AI人工智能初学者PP-YOLOv2:APracticalObjectDetector论文：https://arxiv.org

如有错误，恳请指出。文章目录1.Introduction2.RevisitPP-YOLO2.1Pre-Processing2.2BaselineModel2.3TrainingSchedule3.SelectionofRefinements3.1PathAggregationNetwork3.2MishActivationFunction3.3LargerInputSize3.4IoUAwareB

[PP-YOLOV2保姆级教程]使用自定义数据集实现吸烟识别预测PP-YOLOV2介绍通过结合多项有效的改进，在COCO2017上将PP-YOLO的性能从45.9％mAP提升到49.5％mAP。

计算机视觉研究院专栏作者：Edison_GmAP50.3%，106.5FPS的PP-YOLOv2，1.3M超轻量PPYOLOTiny,让目标检测界再起风波。

点击左上方蓝字关注我们mAP50.3%，106.5FPS的PP-YOLOv2，1.3M超轻量PP-YOLOTiny,让目标检测界再起风波。

这一期继续讲解视觉在现实场景中的应用，PP-YOLOv2算法在火焰烟雾识别。.下载操作模板与数据集（必看）请提前准备好！