简体中文 | [English](README_en.md) # PaddleDetection # 产品动态 - 2021.11.03: 发布[release/2.3版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.3),发布**轻量级检测特色模型**⚡[PP-PicoDet](configs/picodet),发布**轻量级关键点特色模型**⚡[PP-TinyPose](configs/keypoint/tiny_pose),发布**实时跟踪系统**[PP-Tracking](deploy/pptracking)。新增[Swin Transformer](configs/faster_rcnn),[TOOD](configs/tood),[GFL](configs/gfl)目标检测模型。发布[Sniper](configs/sniper)小目标检测优化模型,发布针对EdgeBoard优化[PP-YOLO-EB](configs/ppyolo)模型。新增轻量化关键点模型[Lite HRNet](configs/keypoint)关键点模型并支持Paddle Lite部署。 - 2021.08.10: 发布[release/2.2版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.2),发布Transformer检测系列模型,包括[DETR](configs/detr), [Deformable DETR](configs/deformable_detr), [Sparse RCNN](configs/sparse_rcnn)。新增Dark HRNet关键点模型和MPII数据集[关键点模型](configs/keypoint),新增[人头](configs/mot/headtracking21)、[车辆](configs/mot/vehicle)跟踪垂类模型。 - 2021.05.20: 发布[release/2.1版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.1),新增[关键点检测](configs/keypoint),模型包括HigherHRNet,HRNet。新增[多目标跟踪](configs/mot)能力,模型包括DeepSORT,JDE,FairMOT。发布PPYOLO系列模型压缩模型,新增[ONNX模型导出教程](deploy/EXPORT_ONNX_MODEL.md)。 # 简介 PaddleDetection为基于飞桨PaddlePaddle的端到端目标检测套件,提供多种主流目标检测、实例分割、跟踪、关键点检测算法,配置化的网络模块组件、数据增强策略、损失函数等,推出多种服务器端和移动端工业级SOTA模型,并集成了模型压缩和跨平台高性能部署能力,帮助开发者更快更好完成端到端全开发流程。 ### PaddleDetection提供了目标检测、实例分割、多目标跟踪、关键点检测等多种能力 <div width="1000" align="center"> <img src="docs/images/ppdet.gif"/> </div> ### 特性 - **模型丰富**: 包含**目标检测**、**实例分割**、**人脸检测**等**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 <table align="center"> <tbody> <tr align="center" valign="bottom"> <td> <b>Architectures</b> </td> <td> <b>Backbones</b> </td> <td> <b>Components</b> </td> <td> <b>Data Augmentation</b> </td> </tr> <tr valign="top"> <td> <ul> <li><b>Object Detection</b></li> <ul> <li>Faster RCNN</li> <li>FPN</li> <li>Cascade-RCNN</li> <li>Libra RCNN</li> <li>Hybrid Task RCNN</li> <li>PSS-Det</li> <li>RetinaNet</li> <li>YOLOv3</li> <li>YOLOv4</li> <li>PP-YOLOv1/v2</li> <li>PP-YOLO-Tiny</li> <li>SSD</li> <li>CornerNet-Squeeze</li> <li>FCOS</li> <li>TTFNet</li> <li>PP-PicoDet</li> <li>DETR</li> <li>Deformable DETR</li> <li>Swin Transformer</li> <li>Sparse RCNN</li> </ul> <li><b>Instance Segmentation</b></li> <ul> <li>Mask RCNN</li> <li>SOLOv2</li> </ul> <li><b>Face Detection</b></li> <ul> <li>FaceBoxes</li> <li>BlazeFace</li> <li>BlazeFace-NAS</li> </ul> <li><b>Multi-Object-Tracking</b></li> <ul> <li>JDE</li> <li>FairMOT</li> <li>DeepSort</li> </ul> <li><b>KeyPoint-Detection</b></li> <ul> <li>HRNet</li> <li>HigherHRNet</li> </ul> </ul> </td> <td> <ul> <li>ResNet(&vd)</li> <li>ResNeXt(&vd)</li> <li>SENet</li> <li>Res2Net</li> <li>HRNet</li> <li>Hourglass</li> <li>CBNet</li> <li>GCNet</li> <li>DarkNet</li> <li>CSPDarkNet</li> <li>VGG</li> <li>MobileNetv1/v3</li> <li>GhostNet</li> <li>Efficientnet</li> <li>BlazeNet</li> </ul> </td> <td> <ul><li><b>Common</b></li> <ul> <li>Sync-BN</li> <li>Group Norm</li> <li>DCNv2</li> <li>Non-local</li> </ul> </ul> <ul><li><b>KeyPoint</b></li> <ul> <li>DarkPose</li> </ul> </ul> <ul><li><b>FPN</b></li> <ul> <li>BiFPN</li> <li>BFP</li> <li>HRFPN</li> <li>ACFPN</li> </ul> </ul> <ul><li><b>Loss</b></li> <ul> <li>Smooth-L1</li> <li>GIoU/DIoU/CIoU</li> <li>IoUAware</li> </ul> </ul> <ul><li><b>Post-processing</b></li> <ul> <li>SoftNMS</li> <li>MatrixNMS</li> </ul> </ul> <ul><li><b>Speed</b></li> <ul> <li>FP16 training</li> <li>Multi-machine training </li> </ul> </ul> </td> <td> <ul> <li>Resize</li> <li>Lighting</li> <li>Flipping</li> <li>Expand</li> <li>Crop</li> <li>Color Distort</li> <li>Random Erasing</li> <li>Mixup </li> <li>Mosaic</li> <li>Cutmix </li> <li>Grid Mask</li> <li>Auto Augment</li> <li>Random Perspective</li> </ul> </td> </tr> </td> </tr> </tbody> </table> #### 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。 <div align="center"> <img src="docs/images/fps_map.png" /> </div> **说明:** - `CBResNet`为`Cascade-Faster-RCNN-CBResNet200vd-FPN`模型,COCO数据集mAP高达53.3% - `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20FPS - `PP-YOLO`在COCO数据集精度45.9%,Tesla V100预测速度72.9FPS,精度速度均优于[YOLOv4](https://arxiv.org/abs/2004.10934) - `PP-YOLO v2`是对`PP-YOLO`模型的进一步优化,在COCO数据集精度49.5%,Tesla V100预测速度68.9FPS - 图中模型均可在[模型库](#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。 <div align="center"> <img src="docs/images/mobile_fps_map.png" width=600/> </div> **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](https://github.com/JiweiMaster/MobileDetBenchmark) - [PP-PicoDet](configs/picodet)及[PP-YOLO-Tiny](configs/ppyolo)为PaddleDetection自研模型,其余模型PaddleDetection暂未提供 ## 文档教程 ### 入门教程 - [安装说明](docs/tutorials/INSTALL_cn.md) - [数据准备](docs/tutorials/PrepareDataSet.md) - [30分钟上手PaddleDetecion](docs/tutorials/GETTING_STARTED_cn.md) - [FAQ/常见问题汇总](docs/tutorials/FAQ) ### 进阶教程 - 参数配置 - [RCNN参数说明](docs/tutorials/config_annotation/faster_rcnn_r50_fpn_1x_coco_annotation.md) - [PP-YOLO参数说明](docs/tutorials/config_annotation/ppyolo_r50vd_dcn_1x_coco_annotation.md) - 模型压缩(基于[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim)) - [剪裁/量化/蒸馏教程](configs/slim) - [推理部署](deploy/README.md) - [模型导出教程](deploy/EXPORT_MODEL.md) - [Paddle Inference部署](deploy/README.md) - [Python端推理部署](deploy/python) - [C++端推理部署](deploy/cpp) - [Paddle-Lite部署](deploy/lite) - [Paddle Serving部署](deploy/serving) - [ONNX模型导出](deploy/EXPORT_ONNX_MODEL.md) - [推理benchmark](deploy/BENCHMARK_INFER.md) - 进阶开发 - [数据处理模块](docs/advanced_tutorials/READER.md) - [新增检测模型](docs/advanced_tutorials/MODEL_TECHNICAL.md) ## 模型库 - 通用目标检测: - [模型库](docs/MODEL_ZOO_cn.md) - [PP-YOLO模型](configs/ppyolo/README_cn.md) - [PP-PicoDet模型](configs/picodet/README.md) - [增强版Anchor Free模型TTFNet](configs/ttfnet/README.md) - [移动端模型](static/configs/mobile/README.md) - [676类目标检测](static/docs/featured_model/LARGE_SCALE_DET_MODEL.md) - [两阶段实用模型PSS-Det](configs/rcnn_enhance/README.md) - [半监督知识蒸馏预训练检测模型](docs/feature_models/SSLD_PRETRAINED_MODEL.md) - 通用实例分割 - [SOLOv2](configs/solov2/README.md) - 旋转框检测 - [S2ANet](configs/dota/README.md) - [关键点检测](configs/keypoint) - [PP-TinyPose](configs/keypoint/tiny_pose) - HigherHRNet - HRNet - LiteHRNet - [多目标跟踪](configs/mot/README.md) - [PP-Tracking](deploy/pptracking/README.md) - [DeepSORT](configs/mot/deepsort/README_cn.md) - [JDE](configs/mot/jde/README_cn.md) - [FairMOT](configs/mot/fairmot/README_cn.md) - 垂类领域 - [行人检测](configs/pedestrian/README.md) - [车辆检测](configs/vehicle/README.md) - [人脸检测](configs/face_detection/README.md) - 比赛冠军方案 - [Objects365 2019 Challenge夺冠模型](static/docs/featured_model/champion_model/CACascadeRCNN.md) - [Open Images 2019-Object Detction比赛最佳单模型](static/docs/featured_model/champion_model/OIDV5_BASELINE_MODEL.md) ## 应用案例 - [人像圣诞特效自动生成工具](static/application/christmas) - [安卓健身APP](https://github.com/zhiboniu/pose_demo_android) ## 第三方教程推荐 - [PaddleDetection在Windows下的部署(一)](https://zhuanlan.zhihu.com/p/268657833) - [PaddleDetection在Windows下的部署(二)](https://zhuanlan.zhihu.com/p/280206376) - [Jetson Nano上部署PaddleDetection经验分享](https://zhuanlan.zhihu.com/p/319371293) - [安全帽检测YOLOv3模型在树莓派上的部署](https://github.com/PaddleCV-FAQ/PaddleDetection-FAQ/blob/main/Lite%E9%83%A8%E7%BD%B2/yolov3_for_raspi.md) - [使用SSD-MobileNetv1完成一个项目--准备数据集到完成树莓派部署](https://github.com/PaddleCV-FAQ/PaddleDetection-FAQ/blob/main/Lite%E9%83%A8%E7%BD%B2/ssd_mobilenet_v1_for_raspi.md) ## 版本更新 版本更新内容请参考[版本更新文档](docs/CHANGELOG.md) ## 许可证书 本项目的发布受[Apache 2.0 license](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](https://github.com/Mandroide)清理代码并且统一部分函数接口。 - 感谢[FL77N](https://github.com/FL77N/)贡献`Sparse-RCNN`模型。 - 感谢[Chen-Song](https://github.com/Chen-Song)贡献`Swin Faster-RCNN`模型。 - 感谢[yangyudong](https://github.com/yangyudong2020), [hchhtc123](https://github.com/hchhtc123) 开发PP-Tracking GUI界面 - 感谢[Shigure19](https://github.com/Shigure19) 开发PP-TinyPose健身APP ## 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} } ```