README_cn.md 34.3 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>

25
## <img src="https://user-images.githubusercontent.com/48054808/157793354-6e7f381a-0aa6-4bb7-845c-9acf2ecc05c3.png" width="20"/> 产品动态
26

W
wangguanzhong 已提交
27 28 29 30 31 32 33 34 35
- 🔥 **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
36
    - 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
37 38
    - 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
39

40
- 2022.3.24:PaddleDetection发布[release/2.4版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4)
41
  - 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。
42
  - 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
43
  - 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
44
  - 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
45

W
wangguanzhong 已提交
46
- [更多版本发布](https://github.com/PaddlePaddle/PaddleDetection/releases)
Y
YixinKristy 已提交
47

48
## <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
49

50
**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
51

52
<div  align="center">
53
  <img src="https://user-images.githubusercontent.com/22989727/189026616-75f9c06c-b403-4a61-9372-0fcbed6e0662.gif" width="800"/>
54
</div>
Y
YixinKristy 已提交
55

56
## <img src="https://user-images.githubusercontent.com/48054808/157799599-e6a66855-bac6-4e75-b9c0-96e13cb9612f.png" width="20"/> 特性
57

58
- **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
59 60 61 62
- **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
63
<div  align="center">
64
  <img src="https://user-images.githubusercontent.com/22989727/189026189-5d21e93a-5b33-40ce-bc36-c737122c1992.png" width="800"/>
W
wangguanzhong 已提交
65 66
</div>

67
## <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
68 69

- 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
70

Y
YixinKristy 已提交
71 72 73 74 75 76
- **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
77
  <div align="center">
78
  <img src="https://user-images.githubusercontent.com/34162360/177678712-4655747d-4290-4ad9-b7a1-4564a5418ac6.jpg"  width = "200" />  
Y
YixinKristy 已提交
79 80
  </div>

81
## <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
82

K
Kaipeng Deng 已提交
83
<table align="center">
W
wangguanzhong 已提交
84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
  <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
101
        <ul>
W
wangguanzhong 已提交
102
        <details><summary><b>Object Detection</b></summary>
W
wangguanzhong 已提交
103 104 105 106 107 108
          <ul>
            <li>Faster RCNN</li>
            <li>FPN</li>
            <li>Cascade-RCNN</li>
            <li>PSS-Det</li>
            <li>RetinaNet</li>
W
wangguanzhong 已提交
109
            <li>YOLOv3</li>  
110
            <li>YOLOv5</li>  
F
Feng Ni 已提交
111
            <li>YOLOv6</li>  
112
            <li>YOLOv7</li>  
K
Kaipeng Deng 已提交
113 114
            <li>PP-YOLOv1/v2</li>
            <li>PP-YOLO-Tiny</li>
F
Feng Ni 已提交
115
            <li>PP-YOLOE</li>
W
wangguanzhong 已提交
116
            <li>PP-YOLOE+</li>
F
Feng Ni 已提交
117
            <li>YOLOX</li>
W
wangguanzhong 已提交
118
            <li>SSD</li>
W
wangguanzhong 已提交
119
            <li>CenterNet</li>
W
wangguanzhong 已提交
120 121
            <li>FCOS</li>  
            <li>TTFNet</li>
W
wangguanzhong 已提交
122 123
            <li>TOOD</li>
            <li>GFL</li>
K
Kaipeng Deng 已提交
124 125 126 127 128
            <li>PP-PicoDet</li>
            <li>DETR</li>
            <li>Deformable DETR</li>
            <li>Swin Transformer</li>
            <li>Sparse RCNN</li>
W
wangguanzhong 已提交
129 130 131
         </ul></details>
        <details><summary><b>Instance Segmentation</b></summary>
         <ul>
K
Kaipeng Deng 已提交
132
            <li>Mask RCNN</li>
W
wangguanzhong 已提交
133
            <li>Cascade Mask RCNN</li>
K
Kaipeng Deng 已提交
134
            <li>SOLOv2</li>
W
wangguanzhong 已提交
135 136
        </ul></details>
        <details><summary><b>Face Detection</b></summary>
K
Kaipeng Deng 已提交
137
        <ul>
K
Kaipeng Deng 已提交
138
            <li>BlazeFace</li>
W
wangguanzhong 已提交
139 140
        </ul></details>
        <details><summary><b>Multi-Object-Tracking</b></summary>
K
Kaipeng Deng 已提交
141
        <ul>
K
Kaipeng Deng 已提交
142 143
            <li>JDE</li>
            <li>FairMOT</li>
F
Feng Ni 已提交
144
            <li>DeepSORT</li>
W
wangguanzhong 已提交
145
            <li>ByteTrack</li>
W
wangguanzhong 已提交
146
            <li>OC-SORT</li>
W
wangguanzhong 已提交
147 148
        </ul></details>
        <details><summary><b>KeyPoint-Detection</b></summary>
K
Kaipeng Deng 已提交
149
        <ul>
K
Kaipeng Deng 已提交
150 151
            <li>HRNet</li>
            <li>HigherHRNet</li>
W
wangguanzhong 已提交
152 153 154
            <li>Lite-HRNet</li>
            <li>PP-TinyPose</li>
        </ul></details>
K
Kaipeng Deng 已提交
155
      </ul>
W
wangguanzhong 已提交
156 157
      </td>
      <td>
W
wangguanzhong 已提交
158
        <details><summary><b>Details</b></summary>
W
wangguanzhong 已提交
159 160
        <ul>
          <li>ResNet(&vd)</li>
W
wangguanzhong 已提交
161 162
          <li>Res2Net(&vd)</li>
          <li>CSPResNet</li>
W
wangguanzhong 已提交
163 164 165
          <li>SENet</li>
          <li>Res2Net</li>
          <li>HRNet</li>
W
wangguanzhong 已提交
166
          <li>Lite-HRNet</li>
W
wangguanzhong 已提交
167 168 169
          <li>DarkNet</li>
          <li>CSPDarkNet</li>
          <li>MobileNetv1/v3</li>  
W
wangguanzhong 已提交
170
          <li>ShuffleNet</li>
W
wangguanzhong 已提交
171
          <li>GhostNet</li>
W
wangguanzhong 已提交
172 173 174 175 176 177
          <li>BlazeNet</li>
          <li>DLA</li>
          <li>HardNet</li>
          <li>LCNet</li>  
          <li>ESNet</li>  
          <li>Swin-Transformer</li>
W
wangguanzhong 已提交
178 179
          <li>ConvNeXt</li>
          <li>Vision Transformer</li>
W
wangguanzhong 已提交
180
        </ul></details>
W
wangguanzhong 已提交
181 182
      </td>
      <td>
W
wangguanzhong 已提交
183
        <details><summary><b>Common</b></summary>
W
wangguanzhong 已提交
184 185 186 187
          <ul>
            <li>Sync-BN</li>
            <li>Group Norm</li>
            <li>DCNv2</li>
W
wangguanzhong 已提交
188 189
            <li>EMA</li>
          </ul> </details>
W
wangguanzhong 已提交
190
        </ul>
W
wangguanzhong 已提交
191
        <details><summary><b>KeyPoint</b></summary>
K
Kaipeng Deng 已提交
192 193
          <ul>
            <li>DarkPose</li>
W
wangguanzhong 已提交
194
          </ul></details>
K
Kaipeng Deng 已提交
195
        </ul>
W
wangguanzhong 已提交
196
        <details><summary><b>FPN</b></summary>
W
wangguanzhong 已提交
197 198
          <ul>
            <li>BiFPN</li>
W
wangguanzhong 已提交
199 200 201
            <li>CSP-PAN</li>
            <li>Custom-PAN</li>
            <li>ES-PAN</li>
W
wangguanzhong 已提交
202
            <li>HRFPN</li>
W
wangguanzhong 已提交
203
          </ul> </details>
W
wangguanzhong 已提交
204
        </ul>  
W
wangguanzhong 已提交
205
        <details><summary><b>Loss</b></summary>
W
wangguanzhong 已提交
206 207 208 209
          <ul>
            <li>Smooth-L1</li>
            <li>GIoU/DIoU/CIoU</li>  
            <li>IoUAware</li>
W
wangguanzhong 已提交
210 211 212 213
            <li>Focal Loss</li>
            <li>CT Focal Loss</li>
            <li>VariFocal Loss</li>
          </ul> </details>
W
wangguanzhong 已提交
214
        </ul>  
W
wangguanzhong 已提交
215
        <details><summary><b>Post-processing</b></summary>
W
wangguanzhong 已提交
216 217 218
          <ul>
            <li>SoftNMS</li>
            <li>MatrixNMS</li>  
W
wangguanzhong 已提交
219
          </ul> </details>  
W
wangguanzhong 已提交
220
        </ul>
W
wangguanzhong 已提交
221
        <details><summary><b>Speed</b></summary>
W
wangguanzhong 已提交
222 223 224
          <ul>
            <li>FP16 training</li>
            <li>Multi-machine training </li>  
W
wangguanzhong 已提交
225
          </ul> </details>  
W
wangguanzhong 已提交
226 227 228
        </ul>  
      </td>
      <td>
W
wangguanzhong 已提交
229
        <details><summary><b>Details</b></summary>
W
wangguanzhong 已提交
230 231
        <ul>
          <li>Resize</li>  
K
Kaipeng Deng 已提交
232
          <li>Lighting</li>  
W
wangguanzhong 已提交
233 234 235 236 237 238
          <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
239
          <li>AugmentHSV</li>
K
Kaipeng Deng 已提交
240
          <li>Mosaic</li>
W
wangguanzhong 已提交
241 242 243
          <li>Cutmix </li>
          <li>Grid Mask</li>
          <li>Auto Augment</li>  
K
Kaipeng Deng 已提交
244
          <li>Random Perspective</li>  
W
wangguanzhong 已提交
245
        </ul> </details>  
W
wangguanzhong 已提交
246 247 248 249 250 251 252 253
      </td>  
    </tr>

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

254
## <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
255

W
wangguanzhong 已提交
256 257 258
<details>
<summary><b> 云端模型性能对比</b></summary>

W
wangguanzhong 已提交
259 260 261 262 263 264 265 266
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
267
- `ViT``ViT-Cascade-Faster-RCNN`模型,COCO数据集mAP高达55.7%
W
wangguanzhong 已提交
268
- `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
269 270 271
- `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
272 273
- 图中模型均可在[模型库](#模型库)中获取

W
wangguanzhong 已提交
274 275 276 277 278
</details>

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

K
Kaipeng Deng 已提交
279 280 281 282 283 284 285
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
286

K
Kaipeng Deng 已提交
287 288 289
- 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
290 291 292 293 294 295 296
</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
297
#### [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
298 299 300

| 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
301 302 303 304
| 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
305 306 307 308 309 310 311 312 313 314 315 316 317 318 319

#### [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)  |
320 321
| [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
322

F
Feng Ni 已提交
323 324 325
**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
326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359
#### 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
360
| 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
361
| 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
362
| 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
363 364 365 366 367 368

#### 其他多目标跟踪模型 [文档链接](configs/mot)

</details>

<details>
W
wangguanzhong 已提交
369
<summary><b> 5. 产业级实时行人分析工具PP-Human </b></summary>
W
wangguanzhong 已提交
370 371


372 373 374 375 376 377 378 379 380 381 382 383 384
| 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
385 386


W
wangguanzhong 已提交
387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404
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 |

405
点击模型方案中的模型即可下载指定模型
W
wangguanzhong 已提交
406

Z
zhiboniu 已提交
407
详细信息参考[文档](deploy/pipeline)
W
wangguanzhong 已提交
408 409 410 411

</details>


412
## <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
413 414 415 416

### 入门教程

- [安装说明](docs/tutorials/INSTALL_cn.md)
W
wangguanzhong 已提交
417 418 419
- [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
420
- [FAQ/常见问题汇总](docs/tutorials/FAQ)
Y
yzl19940819 已提交
421

W
wangguanzhong 已提交
422 423
### 进阶教程

424
- 参数配置
W
wangguanzhong 已提交
425

Y
YixinKristy 已提交
426 427 428
  - [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)

429
- 模型压缩(基于[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim))
W
wangguanzhong 已提交
430

Y
YixinKristy 已提交
431
  - [剪裁/量化/蒸馏教程](configs/slim)
432

W
wangguanzhong 已提交
433
- [推理部署](deploy/README.md)
W
wangguanzhong 已提交
434

Y
YixinKristy 已提交
435 436 437 438 439 440 441 442 443
  - [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)

444
- 进阶开发
W
wangguanzhong 已提交
445

Y
YixinKristy 已提交
446 447
  - [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
448 449 450
  - 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
451
    - [多目标跟踪](docs/advanced_tutorials/customization/pphuman_mot.md)
452
    - [行为识别](docs/advanced_tutorials/customization/action_recognotion/)
Z
zhiboniu 已提交
453
    - [属性识别](docs/advanced_tutorials/customization/pphuman_attribute.md)
Y
YixinKristy 已提交
454

455 456
### 课程专栏

W
wangguanzhong 已提交
457
- **【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
458

W
wangguanzhong 已提交
459 460 461
- **【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
462

463
### [产业实践范例教程](./industrial_tutorial/README.md)
464

465
- [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
466

467
- [基于PP-Human的打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?contributionType=1)
468

469
- [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)
470

471
- [基于PP-PicoDet的通信塔识别及Android端部署](https://aistudio.baidu.com/aistudio/projectdetail/3561097)
472 473 474

- [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
475 476
- [基于PP-Human的来客分析案例教程](https://aistudio.baidu.com/aistudio/projectdetail/4537344)

477
- [更多其他范例](./industrial_tutorial/README.md)
478

479
## <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
480

W
wangguanzhong 已提交
481
- [安卓健身APP](https://github.com/zhiboniu/pose_demo_android)
W
wangguanzhong 已提交
482
- [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
483

484
## <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
485 486 487 488 489 490 491

- [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)

492
## <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
493

K
Kaipeng Deng 已提交
494
版本更新内容请参考[版本更新文档](docs/CHANGELOG.md)
W
wangguanzhong 已提交
495

496
## <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
497 498 499

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

500
## <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
501 502

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
503

504
- 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
505 506
- 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
507
- 感谢[yangyudong](https://github.com/yangyudong2020), [hchhtc123](https://github.com/hchhtc123) 开发PP-Tracking GUI界面
508
- 感谢Shigure19 开发PP-TinyPose健身APP
509
- 感谢[manangoel99](https://github.com/manangoel99)贡献Wandb可视化方式
W
wangguanzhong 已提交
510

511
## <img src="https://user-images.githubusercontent.com/48054808/157835276-9aab9d1c-1c46-446b-bdd4-5ab75c5cfa48.png" width="20"/> 引用
W
wangguanzhong 已提交
512 513 514 515 516 517 518 519 520

```
@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}
}
```