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

• 安装说明
• 快速开始
• 训练/评估/预测流程

进阶教程

• 数据预处理及自定义数据集
• 搭建模型步骤
• 配置模块设计和介绍
• IPython Notebook demo
• 迁移学习教程
• 模型压缩
  • 压缩benchmark
  • 量化
  • 剪枝
  • 蒸馏
  • 神经网络搜索
• 推理部署
  • 模型导出教程
  • 预测引擎Python API使用示例
  • C++推理部署
  • 推理Benchmark

模型库

• 模型库
• 人脸检测模型
• 行人检测和车辆检测预训练模型 针对不同场景的检测模型
• YOLOv3增强模型 改进原始YOLOv3，精度达到41.4%，原论文精度为33.0%，同时预测速度也得到提升
• Objects365 2019 Challenge夺冠模型 Objects365 Full Track任务中最好的单模型之一,精度达到31.7%
• Open Images V5和Objects365数据集模型

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。