README.md

    English | 简体中文

    PaddleDetection

    PaddleDetection的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署,而且能够灵活的满足算法研究的需求。

    目前检测库下模型均要求使用PaddlePaddle 1.6及以上版本或适当的develop版本。

    简介

    特性:

    • 易部署:

      PaddleDetection的模型中使用的核心算子均通过C++或CUDA实现,同时基于PaddlePaddle的高性能推理引擎可以方便地部署在多种硬件平台上。

    • 高灵活度:

      PaddleDetection通过模块化设计来解耦各个组件,基于配置文件可以轻松地搭建各种检测模型。

    • 高性能:

      基于PaddlePaddle框架的高性能内核,在模型训练速度、显存占用上有一定的优势。例如,YOLOv3的训练速度快于其他框架,在Tesla V100 16GB环境下,Mask-RCNN(ResNet50)可以单卡Batch Size可以达到4 (甚至到5)。

    支持的模型结构:

    ResNet ResNet-vd 1 ResNeXt-vd SENet MobileNet HRNet Res2Net
    Faster R-CNN x
    Faster R-CNN + FPN
    Mask R-CNN x
    Mask R-CNN + FPN
    Cascade Faster-RCNN
    Cascade Mask-RCNN
    Libra R-CNN
    RetinaNet
    YOLOv3
    SSD
    BlazeFace
    Faceboxes

    [1] ResNet-vd 模型提供了较大的精度提高和较少的性能损失。

    更多的Backone:

    • DarkNet
    • VGG
    • GCNet
    • CBNet

    扩展特性:

    • Synchronized Batch Norm: 目前在YOLOv3中使用。
    • Group Norm
    • Modulated Deformable Convolution
    • Deformable PSRoI Pooling
    • Non-local和GCNet

    注意: Synchronized batch normalization 只能在多GPU环境下使用,不能在CPU环境或者单GPU环境下使用。

    文档教程

    最新动态: 已发布文档教程:https://paddledetection.readthedocs.io

    入门教程

    进阶教程

    模型库

    许可证书

    本项目的发布受Apache 2.0 license许可认证。

    版本更新

    v0.2.0版本已经在02/2020发布,增加多个模型,升级数据处理模块,拆分YOLOv3的loss,修复已知诸多bug等, 详细内容请参考版本更新文档

    如何贡献代码

    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 toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection.

    🚀 Github 镜像仓库 🚀

    源项目地址

    https://github.com/PaddlePaddle/PaddleDetection

    发行版本

    当前项目没有发行版本

    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 %