简体中文 | English

文档：https://paddledetection.readthedocs.io

PaddleDetection

飞桨推出的PaddleDetection是端到端目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。PaddleDetection以模块化的设计实现了多种主流目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。目前基于PaddleDetection已经完成落地的项目涉及工业质检、遥感图像检测、无人巡检等多个领域。

目前检测库下模型均要求使用PaddlePaddle 1.7及以上版本或适当的develop版本。

简介

特性：

• 模型丰富：

  PaddleDetection提供了丰富的模型，包含目标检测、实例分割、人脸检测等100+个预训练模型，涵盖多种数据集竞赛冠军方案、适合云端/边缘端设备部署的检测方案。

• 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 模型预测速度基本不变的情况下提高了精度。

说明： ✓ 为模型库中提供了对应配置文件和预训练模型，✗ 为未提供参考配置，但一般都支持。

更多的模型:

• EfficientDet
• FCOS
• CornerNet-Squeeze
• YOLOv4

更多的Backone：

• DarkNet
• VGG
• GCNet
• CBNet
• Hourglass

扩展特性：

• Synchronized Batch Norm
• 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。

以下为选取各模型结构和骨干网络的代表模型COCO数据集精度mAP和单卡Tesla V100上预测速度(FPS)关系图。

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
• PaddleDetection增强版YOLOv3-ResNet50vd-DCN在COCO数据集mAP高于原作10.6个绝对百分点，推理速度为61.3FPS，快于原作约70%
• 图中模型均可在模型库中获取

文档教程

入门教程

• 安装说明
• 快速开始
• 训练/评估/预测流程
• 如何训练自定义数据集
• 常见问题汇总

进阶教程

• 数据预处理及数据集定义
• 搭建模型步骤
• 模型参数配置:
  • 配置模块设计和介绍
  • RCNN模型参数说明
• 迁移学习教程
• IPython Notebook demo
• 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
  • Python端推理部署
  • C++端推理部署
  • 推理Benchmark

模型库

• 模型库
• 移动端模型
• Anchor free模型
• 人脸检测模型
• YOLOv3增强模型: COCO mAP高达43.6%，原论文精度为33.0%
• 行人检测预训练模型
• 车辆检测预训练模型
• Objects365 2019 Challenge夺冠模型
• Open Images 2019-Object Detction比赛最佳单模型
• 服务器端实用目标检测模型: V100上速度20FPS时，COCO mAP高达47.8%。
• 大规模实用目标检测模型: 提供了包含676个类别的大规模服务器端实用目标检测模型，适用于绝大部分使用场景，可以直接用来预测，也可以用于微调其他任务。

许可证书

本项目的发布受Apache 2.0 license许可认证。

版本更新

v0.3.0版本已经在05/2020发布，增加Anchor-free、EfficientDet和YOLOv4等多个模型，推出移动端、服务器端实用高效多个模型，例如移动端将YOLOv3-MobileNetv3加速3.5倍，服务器端优化两阶段模型，速度和精度具备较高性价比。重构预测部署功能，提升易用性，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。