# 通用目标检测 ## 服务器端实用目标检测方案 ### 简介 * 近年来,学术界和工业界广泛关注图像中目标检测任务。基于SSLD蒸馏方案训练得到的ResNet50_vd预训练模型(ImageNet1k验证集上Top1 Acc为82.39%),结合PaddleDetection中的丰富算子,飞桨提供了一种面向服务器端实用的目标检测方案PSS-DET(Practical Server Side Detection)。基于COCO2017目标检测数据集,V100单卡预测速度为为61FPS时,COCO mAP可达41.6%;预测速度为20FPS时,COCO mAP可达47.8%。 ### 消融实验 * 我们以标准的Faster RCNN ResNet50_vd FPN为例,下表给出了PSS-DET不同的模块的速度与精度收益。 | Trick | Train scale | Test scale | COCO mAP | Infer speed/FPS | |- |:-: |:-: | :-: | :-: | | `baseline` | 640x640 | 640x640 | 36.4% | 43.589 | | +`test proposal=pre/post topk 500/300` | 640x640 | 640x640 | 36.2% | 52.512 | | +`fpn channel=64` | 640x640 | 640x640 | 35.1% | 67.450 | | +`ssld pretrain` | 640x640 | 640x640 | 36.3% | 67.450 | | +`ciou loss` | 640x640 | 640x640 | 37.1% | 67.450 | | +`DCNv2` | 640x640 | 640x640 | 39.4% | 60.345 | | +`3x, multi-scale training` | 640x640 | 640x640 | 41.0% | 60.345 | | +`auto augment` | 640x640 | 640x640 | 41.4% | 60.345 | | +`libra sampling` | 640x640 | 640x640 | 41.6% | 60.345 | 基于该实验结论,我们结合Cascade RCNN,使用更大的训练与评估尺度(1000x1500),最终在单卡V100上速度为20FPS,COCO mAP达47.8%。下图给出了目前类似速度的目标检测方法的速度与精度指标。 ![pssdet](../../images/det/pssdet.png) **注意** > 这里为了更方便地对比,我们将V100的预测耗时乘以1.2倍,近似转化为Titan V的预测耗时。 更加详细的代码、配置与预训练模型的地址可以参考[PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/rcnn_server_side_det)。 ## 移动端实用目标检测方案 * 目前正在更新中,敬请期待!