README_cn.md 35.3 KB
Newer Older
W
wangguanzhong 已提交
1 2
简体中文 | [English](README_en.md)

Y
YixinKristy 已提交
3 4
<div align="center">
<p align="center">
5
  <img src="https://user-images.githubusercontent.com/48054808/160532560-34cf7a1f-d950-435e-90d2-4b0a679e5119.png" align="middle" width = "800" />
Y
YixinKristy 已提交
6
</p>
W
wangguanzhong 已提交
7

Y
YixinKristy 已提交
8
**飞桨目标检测开发套件,端到端地完成从训练到部署的全流程目标检测应用。**
W
wangguanzhong 已提交
9

10 11 12 13 14 15 16
<p align="center">
    <a href="./LICENSE"><img src="https://img.shields.io/badge/license-Apache%202-dfd.svg"></a>
    <a href="https://github.com/PaddlePaddle/PaddleDetection/releases"><img src="https://img.shields.io/github/v/release/PaddlePaddle/PaddleDetection?color=ffa"></a>
    <a href=""><img src="https://img.shields.io/badge/python-3.7+-aff.svg"></a>
    <a href=""><img src="https://img.shields.io/badge/os-linux%2C%20win%2C%20mac-pink.svg"></a>
    <a href="https://github.com/PaddlePaddle/PaddleDetection/stargazers"><img src="https://img.shields.io/github/stars/PaddlePaddle/PaddleDetection?color=ccf"></a>
</p>
W
wangguanzhong 已提交
17
</div>
18

19

W
wangguanzhong 已提交
20 21 22 23 24
<div  align="center">
  <img src="docs/images/ppdet.gif" width="800"/>

</div>

XYZ_916's avatar
XYZ_916 已提交
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

## 🔥 热门活动
🎊YOLO Vision世界学术交流大会🎊

PaddleDetection受邀参与首个以YOLO为主题的YOLO Vision世界大会,与全球AI领先开发者学习交流,欢迎大家报名参加!

- ⏰时间:9月27日

- 👨‍🏫演讲主题:PaddleDetection Toolkit and PP-YOLO Series

- 💎圆桌论坛:Open Source Projects Enabling the Future of Computer Vision AI

**⛓报名链接:https://ultralytics.com/yolo-vision**

- 🔮彩蛋:8月26日 PaddleDetection发布YOLO系列全家族,包括YOLOv5/X/v6/v7与自研的PP-YOLOE、PP-YOLOE+

- 🗳项目链接:https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.5/docs/feature_models/YOLOSERIES_MODEL.md


<div  align="center">
  <img src="https://user-images.githubusercontent.com/48054808/192301374-940cf2fa-9661-419b-9c46-18a4570df381.jpeg" width="600"/>
</div>

48
## <img src="https://user-images.githubusercontent.com/48054808/157793354-6e7f381a-0aa6-4bb7-845c-9acf2ecc05c3.png" width="20"/> 产品动态
49

W
wangguanzhong 已提交
50 51 52 53 54 55 56 57 58
- 🔥 **2022.8.26:PaddleDetection发布[release/2.5版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5)**
  - 🗳 特色模型:
    - 发布[PP-YOLOE+](configs/ppyoloe),最高精度提升2.4% mAP,达到54.9% mAP,模型训练收敛速度提升3.75倍,端到端预测速度最高提升2.3倍;多个下游任务泛化性提升
    - 发布[PicoDet-NPU](configs/picodet)模型,支持模型全量化部署;新增[PicoDet](configs/picodet)版面分析模型
    - 发布[PP-TinyPose升级版](./configs/keypoint/tiny_pose/)增强版,在健身、舞蹈等场景精度提升9.1% AP,支持侧身、卧躺、跳跃、高抬腿等非常规动作
  - 🔮 场景能力:
    - 发布行人分析工具[PP-Human v2](./deploy/pipeline),新增打架、打电话、抽烟、闯入四大行为识别,底层算法性能升级,覆盖行人检测、跟踪、属性三类核心算法能力,提供保姆级全流程开发及模型优化策略,支持在线视频流输入
    - 首次发布[PP-Vehicle](./deploy/pipeline),提供车牌识别、车辆属性分析(颜色、车型)、车流量统计以及违章检测四大功能,兼容图片、在线视频流、视频输入,提供完善的二次开发文档教程
  - 💡 前沿算法:
F
Feng Ni 已提交
59
    - 全面覆盖的[YOLO家族](docs/feature_models/YOLOSERIES_MODEL.md)经典与最新模型代码库[PaddleDetection_YOLOSeries](https://github.com/nemonameless/PaddleDetection_YOLOSeries): 包括YOLOv3,百度飞桨自研的实时高精度目标检测模型PP-YOLOE,以及前沿检测算法YOLOv4、YOLOv5、YOLOX,YOLOv6及YOLOv7
W
wangguanzhong 已提交
60 61
    - 新增基于[ViT](configs/vitdet)骨干网络高精度检测模型,COCO数据集精度达到55.7% mAP;新增[OC-SORT](configs/mot/ocsort)多目标跟踪模型;新增[ConvNeXt](configs/convnext)骨干网络
  - 📋 产业范例:新增[智能健身](https://aistudio.baidu.com/aistudio/projectdetail/4385813)[打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?channelType=0&channel=0)[来客分析](https://aistudio.baidu.com/aistudio/projectdetail/4230123?channelType=0&channel=0)、车辆结构化范例
W
wangguanzhong 已提交
62

63
- 2022.3.24:PaddleDetection发布[release/2.4版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4)
64
  - 发布高精度云边一体SOTA目标检测模型[PP-YOLOE](configs/ppyoloe),提供s/m/l/x版本,l版本COCO test2017数据集精度51.6%,V100预测速度78.1 FPS,支持混合精度训练,训练较PP-YOLOv2加速33%,全系列多尺度模型,满足不同硬件算力需求,可适配服务器、边缘端GPU及其他服务器端AI加速卡。
65
  - 发布边缘端和CPU端超轻量SOTA目标检测模型[PP-PicoDet增强版](configs/picodet),精度提升2%左右,CPU预测速度提升63%,新增参数量0.7M的PicoDet-XS模型,提供模型稀疏化和量化功能,便于模型加速,各类硬件无需单独开发后处理模块,降低部署门槛。
Z
zhiboniu 已提交
66
  - 发布实时行人分析工具[PP-Human](deploy/pipeline),支持行人跟踪、人流量统计、人体属性识别与摔倒检测四大能力,基于真实场景数据特殊优化,精准识别各类摔倒姿势,适应不同环境背景、光线及摄像角度。
F
Feng Ni 已提交
67
  - 新增[YOLOX](configs/yolox)目标检测模型,支持nano/tiny/s/m/l/x版本,x版本COCO val2017数据集精度51.8%。
Y
YixinKristy 已提交
68

W
wangguanzhong 已提交
69
- [更多版本发布](https://github.com/PaddlePaddle/PaddleDetection/releases)
Y
YixinKristy 已提交
70

71
## <img title="" src="https://user-images.githubusercontent.com/48054808/157795569-9fc77c85-732f-4870-9be0-99a7fe2cff27.png" alt="" width="20"> 简介
Y
YixinKristy 已提交
72

73
**PaddleDetection**为基于飞桨PaddlePaddle的端到端目标检测套件,内置**30+模型算法****250+预训练模型**,覆盖**目标检测、实例分割、跟踪、关键点检测**等方向,其中包括**服务器端和移动端高精度、轻量级**产业级SOTA模型、冠军方案和学术前沿算法,并提供配置化的网络模块组件、十余种数据增强策略和损失函数等高阶优化支持和多种部署方案,在打通数据处理、模型开发、训练、压缩、部署全流程的基础上,提供丰富的案例及教程,加速算法产业落地应用。
Y
YixinKristy 已提交
74

75
<div  align="center">
76
  <img src="https://user-images.githubusercontent.com/22989727/189026616-75f9c06c-b403-4a61-9372-0fcbed6e0662.gif" width="800"/>
77
</div>
Y
YixinKristy 已提交
78

XYZ_916's avatar
XYZ_916 已提交
79

80
## <img src="https://user-images.githubusercontent.com/48054808/157799599-e6a66855-bac6-4e75-b9c0-96e13cb9612f.png" width="20"/> 特性
81

82
- **模型丰富**: 包含**目标检测****实例分割****人脸检测******关键点检测******多目标跟踪****250+个预训练模型**,涵盖多种**全球竞赛冠军**方案。
W
wangguanzhong 已提交
83 84 85 86
- **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。

W
wangguanzhong 已提交
87
<div  align="center">
88
  <img src="https://user-images.githubusercontent.com/22989727/189026189-5d21e93a-5b33-40ce-bc36-c737122c1992.png" width="800"/>
W
wangguanzhong 已提交
89 90
</div>

91
## <img title="" src="https://user-images.githubusercontent.com/48054808/157800467-2a9946ad-30d1-49a9-b9db-ba33413d9c90.png" alt="" width="20"> 技术交流
Y
YixinKristy 已提交
92 93

- 如果你发现任何PaddleDetection存在的问题或者是建议, 欢迎通过[GitHub Issues](https://github.com/PaddlePaddle/PaddleDetection/issues)给我们提issues。
W
wangguanzhong 已提交
94

Y
YixinKristy 已提交
95 96 97 98 99 100
- **欢迎加入PaddleDetection 微信用户群(扫码填写问卷即可入群)**
  - **入群福利 💎:获取PaddleDetection团队整理的重磅学习大礼包🎁**
    - 📊 福利一:获取飞桨联合业界企业整理的开源数据集
    - 👨‍🏫 福利二:获取PaddleDetection历次发版直播视频与最新直播咨询
    - 🗳 福利三:获取垂类场景预训练模型集合,包括工业、安防、交通等5+行业场景
    - 🗂 福利四:获取10+全流程产业实操范例,覆盖火灾烟雾检测、人流量计数等产业高频场景
Y
YixinKristy 已提交
101
  <div align="center">
102
  <img src="https://user-images.githubusercontent.com/34162360/177678712-4655747d-4290-4ad9-b7a1-4564a5418ac6.jpg"  width = "200" />  
Y
YixinKristy 已提交
103 104
  </div>

105
## <img src="https://user-images.githubusercontent.com/48054808/157827140-03ffaff7-7d14-48b4-9440-c38986ea378c.png" width="20"/> 套件结构概览
W
wangguanzhong 已提交
106

K
Kaipeng Deng 已提交
107
<table align="center">
W
wangguanzhong 已提交
108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124
  <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>
K
Kaipeng Deng 已提交
125
        <ul>
W
wangguanzhong 已提交
126
        <details><summary><b>Object Detection</b></summary>
W
wangguanzhong 已提交
127 128 129 130 131 132
          <ul>
            <li>Faster RCNN</li>
            <li>FPN</li>
            <li>Cascade-RCNN</li>
            <li>PSS-Det</li>
            <li>RetinaNet</li>
W
wangguanzhong 已提交
133
            <li>YOLOv3</li>  
134
            <li>YOLOv5</li>  
F
Feng Ni 已提交
135
            <li>YOLOv6</li>  
136
            <li>YOLOv7</li>  
K
Kaipeng Deng 已提交
137 138
            <li>PP-YOLOv1/v2</li>
            <li>PP-YOLO-Tiny</li>
F
Feng Ni 已提交
139
            <li>PP-YOLOE</li>
W
wangguanzhong 已提交
140
            <li>PP-YOLOE+</li>
F
Feng Ni 已提交
141
            <li>YOLOX</li>
W
wangguanzhong 已提交
142
            <li>SSD</li>
W
wangguanzhong 已提交
143
            <li>CenterNet</li>
W
wangguanzhong 已提交
144 145
            <li>FCOS</li>  
            <li>TTFNet</li>
W
wangguanzhong 已提交
146 147
            <li>TOOD</li>
            <li>GFL</li>
K
Kaipeng Deng 已提交
148 149 150 151 152
            <li>PP-PicoDet</li>
            <li>DETR</li>
            <li>Deformable DETR</li>
            <li>Swin Transformer</li>
            <li>Sparse RCNN</li>
W
wangguanzhong 已提交
153 154 155
         </ul></details>
        <details><summary><b>Instance Segmentation</b></summary>
         <ul>
K
Kaipeng Deng 已提交
156
            <li>Mask RCNN</li>
W
wangguanzhong 已提交
157
            <li>Cascade Mask RCNN</li>
K
Kaipeng Deng 已提交
158
            <li>SOLOv2</li>
W
wangguanzhong 已提交
159 160
        </ul></details>
        <details><summary><b>Face Detection</b></summary>
K
Kaipeng Deng 已提交
161
        <ul>
K
Kaipeng Deng 已提交
162
            <li>BlazeFace</li>
W
wangguanzhong 已提交
163 164
        </ul></details>
        <details><summary><b>Multi-Object-Tracking</b></summary>
K
Kaipeng Deng 已提交
165
        <ul>
K
Kaipeng Deng 已提交
166 167
            <li>JDE</li>
            <li>FairMOT</li>
F
Feng Ni 已提交
168
            <li>DeepSORT</li>
W
wangguanzhong 已提交
169
            <li>ByteTrack</li>
W
wangguanzhong 已提交
170
            <li>OC-SORT</li>
W
wangguanzhong 已提交
171 172
        </ul></details>
        <details><summary><b>KeyPoint-Detection</b></summary>
K
Kaipeng Deng 已提交
173
        <ul>
K
Kaipeng Deng 已提交
174 175
            <li>HRNet</li>
            <li>HigherHRNet</li>
W
wangguanzhong 已提交
176 177 178
            <li>Lite-HRNet</li>
            <li>PP-TinyPose</li>
        </ul></details>
K
Kaipeng Deng 已提交
179
      </ul>
W
wangguanzhong 已提交
180 181
      </td>
      <td>
W
wangguanzhong 已提交
182
        <details><summary><b>Details</b></summary>
W
wangguanzhong 已提交
183 184
        <ul>
          <li>ResNet(&vd)</li>
W
wangguanzhong 已提交
185 186
          <li>Res2Net(&vd)</li>
          <li>CSPResNet</li>
W
wangguanzhong 已提交
187 188 189
          <li>SENet</li>
          <li>Res2Net</li>
          <li>HRNet</li>
W
wangguanzhong 已提交
190
          <li>Lite-HRNet</li>
W
wangguanzhong 已提交
191 192 193
          <li>DarkNet</li>
          <li>CSPDarkNet</li>
          <li>MobileNetv1/v3</li>  
W
wangguanzhong 已提交
194
          <li>ShuffleNet</li>
W
wangguanzhong 已提交
195
          <li>GhostNet</li>
W
wangguanzhong 已提交
196 197 198 199 200 201
          <li>BlazeNet</li>
          <li>DLA</li>
          <li>HardNet</li>
          <li>LCNet</li>  
          <li>ESNet</li>  
          <li>Swin-Transformer</li>
W
wangguanzhong 已提交
202 203
          <li>ConvNeXt</li>
          <li>Vision Transformer</li>
W
wangguanzhong 已提交
204
        </ul></details>
W
wangguanzhong 已提交
205 206
      </td>
      <td>
W
wangguanzhong 已提交
207
        <details><summary><b>Common</b></summary>
W
wangguanzhong 已提交
208 209 210 211
          <ul>
            <li>Sync-BN</li>
            <li>Group Norm</li>
            <li>DCNv2</li>
W
wangguanzhong 已提交
212 213
            <li>EMA</li>
          </ul> </details>
W
wangguanzhong 已提交
214
        </ul>
W
wangguanzhong 已提交
215
        <details><summary><b>KeyPoint</b></summary>
K
Kaipeng Deng 已提交
216 217
          <ul>
            <li>DarkPose</li>
W
wangguanzhong 已提交
218
          </ul></details>
K
Kaipeng Deng 已提交
219
        </ul>
W
wangguanzhong 已提交
220
        <details><summary><b>FPN</b></summary>
W
wangguanzhong 已提交
221 222
          <ul>
            <li>BiFPN</li>
W
wangguanzhong 已提交
223 224 225
            <li>CSP-PAN</li>
            <li>Custom-PAN</li>
            <li>ES-PAN</li>
W
wangguanzhong 已提交
226
            <li>HRFPN</li>
W
wangguanzhong 已提交
227
          </ul> </details>
W
wangguanzhong 已提交
228
        </ul>  
W
wangguanzhong 已提交
229
        <details><summary><b>Loss</b></summary>
W
wangguanzhong 已提交
230 231 232 233
          <ul>
            <li>Smooth-L1</li>
            <li>GIoU/DIoU/CIoU</li>  
            <li>IoUAware</li>
W
wangguanzhong 已提交
234 235 236 237
            <li>Focal Loss</li>
            <li>CT Focal Loss</li>
            <li>VariFocal Loss</li>
          </ul> </details>
W
wangguanzhong 已提交
238
        </ul>  
W
wangguanzhong 已提交
239
        <details><summary><b>Post-processing</b></summary>
W
wangguanzhong 已提交
240 241 242
          <ul>
            <li>SoftNMS</li>
            <li>MatrixNMS</li>  
W
wangguanzhong 已提交
243
          </ul> </details>  
W
wangguanzhong 已提交
244
        </ul>
W
wangguanzhong 已提交
245
        <details><summary><b>Speed</b></summary>
W
wangguanzhong 已提交
246 247 248
          <ul>
            <li>FP16 training</li>
            <li>Multi-machine training </li>  
W
wangguanzhong 已提交
249
          </ul> </details>  
W
wangguanzhong 已提交
250 251 252
        </ul>  
      </td>
      <td>
W
wangguanzhong 已提交
253
        <details><summary><b>Details</b></summary>
W
wangguanzhong 已提交
254 255
        <ul>
          <li>Resize</li>  
K
Kaipeng Deng 已提交
256
          <li>Lighting</li>  
W
wangguanzhong 已提交
257 258 259 260 261 262
          <li>Flipping</li>  
          <li>Expand</li>
          <li>Crop</li>
          <li>Color Distort</li>  
          <li>Random Erasing</li>  
          <li>Mixup </li>
F
Feng Ni 已提交
263
          <li>AugmentHSV</li>
K
Kaipeng Deng 已提交
264
          <li>Mosaic</li>
W
wangguanzhong 已提交
265 266 267
          <li>Cutmix </li>
          <li>Grid Mask</li>
          <li>Auto Augment</li>  
K
Kaipeng Deng 已提交
268
          <li>Random Perspective</li>  
W
wangguanzhong 已提交
269
        </ul> </details>  
W
wangguanzhong 已提交
270 271 272 273 274 275 276 277
      </td>  
    </tr>

</td>
    </tr>
  </tbody>
</table>

278
## <img src="https://user-images.githubusercontent.com/48054808/157801371-9a9a8c65-1690-4123-985a-e0559a7f9494.png" width="20"/> 模型性能概览
W
wangguanzhong 已提交
279

W
wangguanzhong 已提交
280 281 282
<details>
<summary><b> 云端模型性能对比</b></summary>

W
wangguanzhong 已提交
283 284 285 286 287 288 289 290
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:**

W
wangguanzhong 已提交
291
- `ViT``ViT-Cascade-Faster-RCNN`模型,COCO数据集mAP高达55.7%
W
wangguanzhong 已提交
292
- `Cascade-Faster-RCNN``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
F
Feng Ni 已提交
293 294 295
- `PP-YOLOE`是对`PP-YOLO v2`模型的进一步优化,L版本在COCO数据集mAP为51.6%,Tesla V100预测速度78.1FPS
- `PP-YOLOE+`是对`PPOLOE`模型的进一步优化,L版本在COCO数据集mAP为53.3%,Tesla V100预测速度78.1FPS
- [`YOLOX`](configs/yolox)[`YOLOv5`](https://github.com/nemonameless/PaddleDetection_YOLOSeries/tree/develop/configs/yolov5)均为基于PaddleDetection复现算法,`YOLOv5`代码在[`PaddleDetection_YOLOSeries`](https://github.com/nemonameless/PaddleDetection_YOLOSeries)中,参照[YOLOSERIES_MODEL](docs/feature_models/YOLOSERIES_MODEL.md)
W
wangguanzhong 已提交
296 297
- 图中模型均可在[模型库](#模型库)中获取

W
wangguanzhong 已提交
298 299 300 301 302
</details>

<details>
<summary><b> 移动端模型性能对比</b></summary>

K
Kaipeng Deng 已提交
303 304 305 306 307 308 309
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:**
Y
YixinKristy 已提交
310

K
Kaipeng Deng 已提交
311 312 313
- 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)[PP-YOLO-Tiny](configs/ppyolo)为PaddleDetection自研模型,其余模型PaddleDetection暂未提供

W
wangguanzhong 已提交
314 315 316 317 318 319 320
</details>

## <img src="https://user-images.githubusercontent.com/48054808/157829890-a535b8a6-631c-4c87-b861-64d4b32b2d6a.png" width="20"/> 模型库

<details>
<summary><b> 1. 通用检测</b></summary>

W
wangguanzhong 已提交
321
#### [PP-YOLOE+](./configs/ppyoloe)系列 推荐场景:Nvidia V100, T4等云端GPU和Jetson系列等边缘端设备
W
wangguanzhong 已提交
322 323 324

| 模型名称       | COCO精度(mAP) | V100 TensorRT FP16速度(FPS) | 配置文件                                                  | 模型下载                                                                                 |
|:---------- |:-----------:|:-------------------------:|:-----------------------------------------------------:|:------------------------------------------------------------------------------------:|
W
wangguanzhong 已提交
325 326 327 328
| PP-YOLOE+_s | 43.9        | 333.3                     | [链接](configs/ppyoloe/ppyoloe_plus_crn_s_80e_coco.yml)     | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_s_80e_coco.pdparams)      |
| PP-YOLOE+_m | 50.0        | 208.3                     | [链接](configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml)     | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_m_80e_coco.pdparams)     |
| PP-YOLOE+_l | 53.3        | 149.2                     | [链接](configs/ppyoloe/ppyoloe_plus_crn_l_80e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_m_80e_coco.pdparams) |
| PP-YOLOE+_x | 54.9        | 95.2                      | [链接](configs/ppyoloe/ppyoloe_plus_crn_x_80e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_x_80e_coco.pdparams) |
W
wangguanzhong 已提交
329 330 331 332 333 334 335 336 337 338 339 340 341 342 343

#### [PP-PicoDet](./configs/picodet)系列 推荐场景:ARM CPU(RK3399, 树莓派等) 和NPU(比特大陆,晶晨等)移动端芯片和x86 CPU设备

| 模型名称       | COCO精度(mAP) | 骁龙865 四线程速度(ms) | 配置文件                                                | 模型下载                                                                              |
|:---------- |:-----------:|:---------------:|:---------------------------------------------------:|:---------------------------------------------------------------------------------:|
| PicoDet-XS | 23.5        | 7.81            | [链接](configs/picodet/picodet_xs_320_coco_lcnet.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/picodet_xs_320_coco_lcnet.pdparams) |
| PicoDet-S  | 29.1        | 9.56            | [链接](configs/picodet/picodet_s_320_coco_lcnet.yml)  | [下载地址](https://paddledet.bj.bcebos.com/models/picodet_s_320_coco_lcnet.pdparams)  |
| PicoDet-M  | 34.4        | 17.68           | [链接](configs/picodet/picodet_m_320_coco_lcnet.yml)  | [下载地址](https://paddledet.bj.bcebos.com/models/picodet_m_320_coco_lcnet.pdparams)  |
| PicoDet-L  | 36.1        | 25.21           | [链接](configs/picodet/picodet_l_320_coco_lcnet.yml)  | [下载地址](https://paddledet.bj.bcebos.com/models/picodet_l_320_coco_lcnet.pdparams)  |

#### 前沿检测算法

| 模型名称                                                               | COCO精度(mAP) | V100 TensorRT FP16速度(FPS) | 配置文件                                                                                                         | 模型下载                                                                       |
|:------------------------------------------------------------------ |:-----------:|:-------------------------:|:------------------------------------------------------------------------------------------------------------:|:--------------------------------------------------------------------------:|
| [YOLOX-l](configs/yolox)                                           | 50.1        | 107.5                     | [链接](configs/yolox/yolox_l_300e_coco.yml)                                                                    | [下载地址](https://paddledet.bj.bcebos.com/models/yolox_l_300e_coco.pdparams)  |
344 345
| [YOLOv5-l](https://github.com/nemonameless/PaddleDetection_YOLOSeries/tree/develop/configs/yolov5) | 48.6        | 136.0                     | [链接](https://github.com/nemonameless/PaddleDetection_YOLOSeries/blob/develop/configs/yolov5/yolov5_l_300e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/yolov5_l_300e_coco.pdparams) |
| [YOLOv7-l](https://github.com/nemonameless/PaddleDetection_YOLOSeries/tree/develop/configs/yolov7) | 51.0        | 135.0                     | [链接](https://github.com/nemonameless/PaddleDetection_YOLOSeries/blob/develop/configs/yolov7/yolov7_l_300e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/yolov7_l_300e_coco.pdparams) |
W
wangguanzhong 已提交
346

F
Feng Ni 已提交
347 348 349
**注意:**
- `YOLOv5``YOLOv7`代码在[`PaddleDetection_YOLOSeries`](https://github.com/nemonameless/PaddleDetection_YOLOSeries)中,为基于`PaddleDetection`复现的算法,可参照[YOLOSERIES_MODEL](docs/feature_models/YOLOSERIES_MODEL.md)

W
wangguanzhong 已提交
350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383
#### 其他通用检测模型 [文档链接](docs/MODEL_ZOO_cn.md)

</details>

<details>
<summary><b> 2. 实例分割</b></summary>

| 模型名称              | 模型简介         | 推荐场景 | COCO精度(mAP)                      | 配置文件                                                                  | 模型下载                                                                                              |
|:----------------- |:------------ |:---- |:--------------------------------:|:---------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------:|
| Mask RCNN         | 两阶段实例分割算法    | 云边端  | box AP: 41.4 <br/> mask AP: 37.5 | [链接](configs/mask_rcnn/mask_rcnn_r50_vd_fpn_2x_coco.yml)              | [下载地址](https://paddledet.bj.bcebos.com/models/mask_rcnn_r50_vd_fpn_2x_coco.pdparams)              |
| Cascade Mask RCNN | 两阶段实例分割算法    | 云边端  | box AP: 45.7 <br/> mask AP: 39.7 | [链接](configs/mask_rcnn/cascade_mask_rcnn_r50_vd_fpn_ssld_2x_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/cascade_mask_rcnn_r50_vd_fpn_ssld_2x_coco.pdparams) |
| SOLOv2            | 轻量级单阶段实例分割算法 | 云边端  | mask AP: 38.0                    | [链接](configs/solov2/solov2_r50_fpn_3x_coco.yml)                       | [下载地址](https://paddledet.bj.bcebos.com/models/solov2_r50_fpn_3x_coco.pdparams)                    |

</details>

<details>
<summary><b> 3. 关键点检测</b></summary>

| 模型名称                                        | 模型简介                                                             | 推荐场景                               | COCO精度(AP) | 速度                      | 配置文件                                                    | 模型下载                                                                                    |
|:------------------------------------------- |:---------------------------------------------------------------- |:---------------------------------- |:----------:|:-----------------------:|:-------------------------------------------------------:|:---------------------------------------------------------------------------------------:|
| HRNet-w32 + DarkPose                        | <div style="width: 130pt">top-down 关键点检测算法<br/>输入尺寸384x288</div> | <div style="width: 50pt">云边端</div> | 78.3       | T4 TensorRT FP16 2.96ms | [链接](configs/keypoint/hrnet/dark_hrnet_w32_384x288.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/keypoint/dark_hrnet_w32_384x288.pdparams) |
| HRNet-w32 + DarkPose                        | top-down 关键点检测算法<br/>输入尺寸256x192                                 | 云边端                                | 78.0       | T4 TensorRT FP16 1.75ms | [链接](configs/keypoint/hrnet/dark_hrnet_w32_256x192.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/keypoint/dark_hrnet_w32_256x192.pdparams) |
| [PP-TinyPose](./configs/keypoint/tiny_pose) | 轻量级关键点算法<br/>输入尺寸256x192                                         | 移动端                                | 68.8       | 骁龙865 四线程 6.30ms        | [链接](configs/keypoint/tiny_pose/tinypose_256x192.yml)   | [下载地址](https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_256x192.pdparams)    |
| [PP-TinyPose](./configs/keypoint/tiny_pose) | 轻量级关键点算法<br/>输入尺寸128x96                                          | 移动端                                | 58.1       | 骁龙865 四线程 2.37ms        | [链接](configs/keypoint/tiny_pose/tinypose_128x96.yml)    | [下载地址](https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_128x96.pdparams)     |

#### 其他关键点检测模型 [文档链接](configs/keypoint)

</details>

<details>
<summary><b> 4. 多目标跟踪PP-Tracking </b></summary>

| 模型名称      | 模型简介                     | 推荐场景                               | 精度                     | 配置文件                                                                  | 模型下载                                                                                              |
|:--------- |:------------------------ |:---------------------------------- |:----------------------:|:---------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------:|
F
Feng Ni 已提交
384
| ByteTrack | SDE多目标跟踪算法 仅包含检测模型       | 云边端                                | MOT-17 test:  78.4 | [链接](configs/mot/bytetrack/bytetrack_yolox.yml) | [下载地址](https://bj.bcebos.com/v1/paddledet/models/mot/yolox_x_24e_800x1440_mix_det.pdparams) |
W
wangguanzhong 已提交
385
| FairMOT   | JDE多目标跟踪算法 多任务联合学习方法     | 云边端                                | MOT-16 test: 75.0      | [链接](configs/mot/fairmot/fairmot_dla34_30e_1088x608.yml)              | [下载地址](https://paddledet.bj.bcebos.com/models/mot/fairmot_dla34_30e_1088x608.pdparams)            |
F
Feng Ni 已提交
386
| OC-SORT | SDE多目标跟踪算法 仅包含检测模型       | 云边端                                | MOT-17 half val:  75.5 | [链接](configs/mot/ocsort/ocsort_yolox.yml) | [下载地址](https://bj.bcebos.com/v1/paddledet/models/mot/yolox_x_24e_800x1440_mix_mot_ch.pdparams) |
W
wangguanzhong 已提交
387 388 389 390 391 392

#### 其他多目标跟踪模型 [文档链接](configs/mot)

</details>

<details>
W
wangguanzhong 已提交
393
<summary><b> 5. 产业级实时行人分析工具PP-Human </b></summary>
W
wangguanzhong 已提交
394 395


396 397 398 399 400 401 402 403 404 405 406 407 408
| 任务            | 端到端速度(ms)|  模型方案  |  模型体积 |
| :---------:     | :-------:  |  :------: |:------: |
|  行人检测(高精度)  | 25.1ms  |  [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) | 182M |  
|  行人检测(轻量级)  | 16.2ms  |  [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_s_36e_pipeline.zip) | 27M |
|  行人跟踪(高精度)  | 31.8ms  |  [多目标跟踪](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) | 182M |  
|  行人跟踪(轻量级)  | 21.0ms  |  [多目标跟踪](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_s_36e_pipeline.zip) | 27M |
|  属性识别(高精度)  |   单人8.5ms | [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip)<br> [属性识别](https://bj.bcebos.com/v1/paddledet/models/pipeline/PPHGNet_small_person_attribute_954_infer.zip) | 目标检测:182M<br>属性识别:86M |
|  属性识别(轻量级)  |   单人7.1ms | [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip)<br> [属性识别](https://bj.bcebos.com/v1/paddledet/models/pipeline/PPLCNet_x1_0_person_attribute_945_infer.zip) | 目标检测:182M<br>属性识别:86M |
|  摔倒识别  |   单人10ms | [多目标跟踪](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) <br> [关键点检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/dark_hrnet_w32_256x192.zip) <br> [基于关键点行为识别](https://bj.bcebos.com/v1/paddledet/models/pipeline/STGCN.zip) | 多目标跟踪:182M<br>关键点检测:101M<br>基于关键点行为识别:21.8M |
|  闯入识别  |   31.8ms | [多目标跟踪](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) | 182M |
|  打架识别  |   19.7ms | [视频分类](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) | 90M |
|  抽烟识别  |   单人15.1ms | [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip)<br>[基于人体id的目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/ppyoloe_crn_s_80e_smoking_visdrone.zip) | 目标检测:182M<br>基于人体id的目标检测:27M |
|  打电话识别  |   单人ms | [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip)<br>[基于人体id的图像分类](https://bj.bcebos.com/v1/paddledet/models/pipeline/PPHGNet_tiny_calling_halfbody.zip) | 目标检测:182M<br>基于人体id的图像分类:45M |
W
wangguanzhong 已提交
409 410


W
wangguanzhong 已提交
411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428
点击模型方案中的模型即可下载指定模型

详细信息参考[文档](deploy/pipeline)

</details>

<details>
<summary><b> 6. 产业级实时车辆分析工具PP-Vehicle </b></summary>

| 任务            | 端到端速度(ms)|  模型方案  |  模型体积 |
| :---------:     | :-------:  |  :------: |:------: |
|  车辆检测(高精度)  | 25.7ms  |  [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_ppvehicle.zip) | 182M |  
|  车辆检测(轻量级)  | 13.2ms  |  [目标检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_s_36e_ppvehicle.zip) | 27M |
|  车辆跟踪(高精度)  | 40ms  |  [多目标跟踪](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_ppvehicle.zip) | 182M |
|  车辆跟踪(轻量级)  | 25ms  |  [多目标跟踪](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_s_36e_ppvehicle.zip) | 27M |
|  车牌识别  |   4.68ms |  [车牌检测](https://bj.bcebos.com/v1/paddledet/models/pipeline/ch_PP-OCRv3_det_infer.tar.gz) <br> [车牌识别](https://bj.bcebos.com/v1/paddledet/models/pipeline/ch_PP-OCRv3_rec_infer.tar.gz) | 车牌检测:3.9M  <br> 车牌字符识别: 12M |
|  车辆属性  |   7.31ms | [属性识别](https://bj.bcebos.com/v1/paddledet/models/pipeline/vehicle_attribute_model.zip) | 7.2M |

429
点击模型方案中的模型即可下载指定模型
W
wangguanzhong 已提交
430

Z
zhiboniu 已提交
431
详细信息参考[文档](deploy/pipeline)
W
wangguanzhong 已提交
432 433 434 435

</details>


436
## <img src="https://user-images.githubusercontent.com/48054808/157828296-d5eb0ccb-23ea-40f5-9957-29853d7d13a9.png" width="20"/> 文档教程
W
wangguanzhong 已提交
437 438 439 440

### 入门教程

- [安装说明](docs/tutorials/INSTALL_cn.md)
W
wangguanzhong 已提交
441 442 443
- [快速体验](docs/tutorials/QUICK_STARTED_cn.md)
- [数据准备](docs/tutorials/data/README.md)
- [PaddleDetection全流程使用](docs/tutorials/GETTING_STARTED_cn.md)
Y
YixinKristy 已提交
444
- [FAQ/常见问题汇总](docs/tutorials/FAQ)
Y
yzl19940819 已提交
445

W
wangguanzhong 已提交
446 447
### 进阶教程

448
- 参数配置
W
wangguanzhong 已提交
449

Y
YixinKristy 已提交
450 451 452
  - [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)

453
- 模型压缩(基于[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim))
W
wangguanzhong 已提交
454

Y
YixinKristy 已提交
455
  - [剪裁/量化/蒸馏教程](configs/slim)
456

W
wangguanzhong 已提交
457
- [推理部署](deploy/README.md)
W
wangguanzhong 已提交
458

Y
YixinKristy 已提交
459 460 461 462 463 464 465 466 467
  - [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)

468
- 进阶开发
W
wangguanzhong 已提交
469

Y
YixinKristy 已提交
470 471
  - [数据处理模块](docs/advanced_tutorials/READER.md)
  - [新增检测模型](docs/advanced_tutorials/MODEL_TECHNICAL.md)
W
wangguanzhong 已提交
472 473 474
  - 二次开发教程
    - [目标检测](docs/advanced_tutorials/customization/detection.md)
    - [关键点检测](docs/advanced_tutorials/customization/keypoint_detection.md)
Z
zhiboniu 已提交
475
    - [多目标跟踪](docs/advanced_tutorials/customization/pphuman_mot.md)
476
    - [行为识别](docs/advanced_tutorials/customization/action_recognotion/)
Z
zhiboniu 已提交
477
    - [属性识别](docs/advanced_tutorials/customization/pphuman_attribute.md)
Y
YixinKristy 已提交
478

479 480
### 课程专栏

W
wangguanzhong 已提交
481
- **【理论基础】[目标检测7日打卡营](https://aistudio.baidu.com/aistudio/education/group/info/1617):** 目标检测任务综述、RCNN系列目标检测算法详解、YOLO系列目标检测算法详解、PP-YOLO优化策略与案例分享、AnchorFree系列算法介绍和实践
482

W
wangguanzhong 已提交
483 484 485
- **【产业实践】[AI快车道产业级目标检测技术与应用](https://aistudio.baidu.com/aistudio/education/group/info/23670):** 目标检测超强目标检测算法矩阵、实时行人分析系统PP-Human、目标检测产业应用全流程拆解与实践

- **【行业特色】2022.3.26 [智慧城市行业七日课](https://aistudio.baidu.com/aistudio/education/group/info/25620):** 城市规划、城市治理、智慧政务、交通管理、社区治理
486

487
### [产业实践范例教程](./industrial_tutorial/README.md)
488

XYZ_916's avatar
XYZ_916 已提交
489 490
- [基于PP-Human v2的摔倒检测](https://aistudio.baidu.com/aistudio/projectdetail/4606001)

491
- [基于PP-TinyPose增强版的智能健身动作识别](https://aistudio.baidu.com/aistudio/projectdetail/4385813)
W
wangguanzhong 已提交
492

493
- [基于PP-Human的打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?contributionType=1)
494

495
- [基于PP-PicoDet增强版的路面垃圾检测](https://aistudio.baidu.com/aistudio/projectdetail/3846170?channelType=0&channel=0)
496

497
- [基于PP-PicoDet的通信塔识别及Android端部署](https://aistudio.baidu.com/aistudio/projectdetail/3561097)
498 499 500

- [基于FairMOT实现人流量统计](https://aistudio.baidu.com/aistudio/projectdetail/2421822)

XYZ_916's avatar
XYZ_916 已提交
501 502
- [基于PP-Human的来客分析案例教程](https://aistudio.baidu.com/aistudio/projectdetail/4537344)

503
- [更多其他范例](./industrial_tutorial/README.md)
504

505
## <img title="" src="https://user-images.githubusercontent.com/48054808/157836473-1cf451fa-f01f-4148-ba68-b6d06d5da2f9.png" alt="" width="20"> 应用案例
W
wangguanzhong 已提交
506

W
wangguanzhong 已提交
507
- [安卓健身APP](https://github.com/zhiboniu/pose_demo_android)
W
wangguanzhong 已提交
508
- [多目标跟踪系统GUI可视化界面](https://github.com/yangyudong2020/PP-Tracking_GUi)
W
wangguanzhong 已提交
509

510
## <img src="https://user-images.githubusercontent.com/48054808/160552806-496dc3ba-beb6-4623-8e26-44416b5848bf.png" width="25"/> 第三方教程推荐
W
wangguanzhong 已提交
511 512 513 514 515 516 517

- [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)

518
## <img src="https://user-images.githubusercontent.com/48054808/157835981-ef6057b4-6347-4768-8fcc-cd07fcc3d8b0.png" width="20"/> 版本更新
W
wangguanzhong 已提交
519

K
Kaipeng Deng 已提交
520
版本更新内容请参考[版本更新文档](docs/CHANGELOG.md)
W
wangguanzhong 已提交
521

522
## <img title="" src="https://user-images.githubusercontent.com/48054808/157835345-f5d24128-abaf-4813-b793-d2e5bdc70e5a.png" alt="" width="20"> 许可证书
W
wangguanzhong 已提交
523 524 525

本项目的发布受[Apache 2.0 license](LICENSE)许可认证。

526
## <img src="https://user-images.githubusercontent.com/48054808/157835796-08d4ffbc-87d9-4622-89d8-cf11a44260fc.png" width="20"/> 贡献代码
W
wangguanzhong 已提交
527 528

我们非常欢迎你可以为PaddleDetection提供代码,也十分感谢你的反馈。
Y
YixinKristy 已提交
529

530
- 感谢[Mandroide](https://github.com/Mandroide)清理代码并且统一部分函数接口。
W
Wenyu 已提交
531 532
- 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。
W
wangguanzhong 已提交
533
- 感谢[yangyudong](https://github.com/yangyudong2020), [hchhtc123](https://github.com/hchhtc123) 开发PP-Tracking GUI界面
534
- 感谢Shigure19 开发PP-TinyPose健身APP
535
- 感谢[manangoel99](https://github.com/manangoel99)贡献Wandb可视化方式
W
wangguanzhong 已提交
536

537
## <img src="https://user-images.githubusercontent.com/48054808/157835276-9aab9d1c-1c46-446b-bdd4-5ab75c5cfa48.png" width="20"/> 引用
W
wangguanzhong 已提交
538 539 540 541 542 543 544 545 546

```
@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}
}
```