README_cn.md 34.4 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
## 🚀 热门活动
W
wangguanzhong 已提交
26 27 28 29
- 🎊 **【AI快车道两日课】手把手教你将PP-YOLOE+用于旋转框、小目标检测,达成SOTA性能**
  -**时间:11月16-17日 晚上8:15**
  - **11月16日:更高效更鲁棒的小目标检测器PP-YOLOE-SOD**
  - **11月17日:SOTA旋转框检测器PP-YOLOE-R**
30 31 32 33
  - 🎁 **扫码入群即可获取专属直播链接与技术大礼包!**


  <div align="center">
W
wangguanzhong 已提交
34
  <img src="https://user-images.githubusercontent.com/22989727/202123813-1097e3f6-c784-4991-9b94-8cbcd972de82.png"  width = "200" />  
35 36
  </div>

W
wangguanzhong 已提交
37 38 39 40 41 42 43 44
## <img src="https://user-images.githubusercontent.com/48054808/157835796-08d4ffbc-87d9-4622-89d8-cf11a44260fc.png" width="20"/> 贡献代码

PaddleDetection非常欢迎你加入到飞桨社区的开源建设中,参与贡献方式可以参考[文档](docs/contribution/README.md)

同时我们也会组织专项活动,引导大家参与到PaddleDetection的开发中:

- [Yes, PP-YOLOE! 基于PP-YOLOE的算法开发](https://github.com/PaddlePaddle/PaddleDetection/issues/7345)

45
## <img src="https://user-images.githubusercontent.com/48054808/157793354-6e7f381a-0aa6-4bb7-845c-9acf2ecc05c3.png" width="20"/> 产品动态
46

W
wangguanzhong 已提交
47 48 49 50 51 52 53 54 55 56 57 58

- 🔥 **2022.11.15:发布基于PP-YOLOE+扩展的旋转框、小目标检测SOTA模型**
  - 旋转框检测模型[PP-YOLOE-R](configs/rotate/ppyoloe_r)
    - Anchor-free旋转框检测SOTA模型,精度速度双高
    - 云边一体,s/m/l/x四个模型适配不用算力硬件
    - 部署友好,避免使用特殊算子,能够轻松使用TensorRT加速
  - 小目标检测模型[PP-YOLOE-SOD](configs/smalldet)
    - 基于切图的端到端检测方案
    - 基于原图的检测模型,精度达VisDrone开源最优


- 2022.8.26:PaddleDetection发布[release/2.5版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5)
W
wangguanzhong 已提交
59 60 61 62 63 64 65 66
  - 🗳 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
67
    - 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
68 69
    - 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
70 71

- [更多版本发布](https://github.com/PaddlePaddle/PaddleDetection/releases)
Y
YixinKristy 已提交
72

73
## <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
74

75
**PaddleDetection**为基于飞桨PaddlePaddle的端到端目标检测套件,内置**30+模型算法****300+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
76

77
<div  align="center">
78
  <img src="https://user-images.githubusercontent.com/22989727/189026616-75f9c06c-b403-4a61-9372-0fcbed6e0662.gif" width="800"/>
79
</div>
Y
YixinKristy 已提交
80

XYZ_916's avatar
XYZ_916 已提交
81

82
## <img src="https://user-images.githubusercontent.com/48054808/157799599-e6a66855-bac6-4e75-b9c0-96e13cb9612f.png" width="20"/> 特性
83

W
wangguanzhong 已提交
84
- **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****300+个预训练模型**,涵盖多种**全球竞赛冠军**方案。
W
wangguanzhong 已提交
85 86 87 88
- **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
89
<div  align="center">
W
wangguanzhong 已提交
90
  <img src="https://user-images.githubusercontent.com/22989727/202123940-419c469b-224d-4d44-97a7-166082180225.png" width="800"/>
W
wangguanzhong 已提交
91 92
</div>

93
## <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
94 95

- 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
96

Y
YixinKristy 已提交
97 98 99 100 101 102
- **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
103
  <div align="center">
104
  <img src="https://user-images.githubusercontent.com/34162360/177678712-4655747d-4290-4ad9-b7a1-4564a5418ac6.jpg"  width = "200" />  
Y
YixinKristy 已提交
105 106
  </div>

107
## <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
108

K
Kaipeng Deng 已提交
109
<table align="center">
W
wangguanzhong 已提交
110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
  <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
127
        <ul>
W
wangguanzhong 已提交
128
        <details><summary><b>Object Detection</b></summary>
W
wangguanzhong 已提交
129 130 131 132 133 134
          <ul>
            <li>Faster RCNN</li>
            <li>FPN</li>
            <li>Cascade-RCNN</li>
            <li>PSS-Det</li>
            <li>RetinaNet</li>
W
wangguanzhong 已提交
135
            <li>YOLOv3</li>  
136
            <li>YOLOv5</li>  
F
Feng Ni 已提交
137
            <li>YOLOv6</li>  
138
            <li>YOLOv7</li>  
K
Kaipeng Deng 已提交
139 140
            <li>PP-YOLOv1/v2</li>
            <li>PP-YOLO-Tiny</li>
F
Feng Ni 已提交
141
            <li>PP-YOLOE</li>
W
wangguanzhong 已提交
142
            <li>PP-YOLOE+</li>
W
wangguanzhong 已提交
143 144
            <li>PP-YOLOE-R</li>
            <li>PP-YOLOE-SOD</li>
F
Feng Ni 已提交
145
            <li>YOLOX</li>
F
Feng Ni 已提交
146
            <li>YOLOF</li>
W
wangguanzhong 已提交
147
            <li>SSD</li>
W
wangguanzhong 已提交
148
            <li>CenterNet</li>
W
wangguanzhong 已提交
149
            <li>FCOS</li>  
W
wangguanzhong 已提交
150
            <li>FCOS-R</li>  
W
wangguanzhong 已提交
151
            <li>TTFNet</li>
W
wangguanzhong 已提交
152 153
            <li>TOOD</li>
            <li>GFL</li>
K
Kaipeng Deng 已提交
154 155 156 157 158
            <li>PP-PicoDet</li>
            <li>DETR</li>
            <li>Deformable DETR</li>
            <li>Swin Transformer</li>
            <li>Sparse RCNN</li>
W
wangguanzhong 已提交
159 160 161
         </ul></details>
        <details><summary><b>Instance Segmentation</b></summary>
         <ul>
K
Kaipeng Deng 已提交
162
            <li>Mask RCNN</li>
W
wangguanzhong 已提交
163
            <li>Cascade Mask RCNN</li>
K
Kaipeng Deng 已提交
164
            <li>SOLOv2</li>
W
wangguanzhong 已提交
165 166
        </ul></details>
        <details><summary><b>Face Detection</b></summary>
K
Kaipeng Deng 已提交
167
        <ul>
K
Kaipeng Deng 已提交
168
            <li>BlazeFace</li>
W
wangguanzhong 已提交
169 170
        </ul></details>
        <details><summary><b>Multi-Object-Tracking</b></summary>
K
Kaipeng Deng 已提交
171
        <ul>
K
Kaipeng Deng 已提交
172 173
            <li>JDE</li>
            <li>FairMOT</li>
F
Feng Ni 已提交
174
            <li>DeepSORT</li>
W
wangguanzhong 已提交
175
            <li>ByteTrack</li>
W
wangguanzhong 已提交
176
            <li>OC-SORT</li>
W
wangguanzhong 已提交
177 178
        </ul></details>
        <details><summary><b>KeyPoint-Detection</b></summary>
K
Kaipeng Deng 已提交
179
        <ul>
K
Kaipeng Deng 已提交
180 181
            <li>HRNet</li>
            <li>HigherHRNet</li>
W
wangguanzhong 已提交
182 183 184
            <li>Lite-HRNet</li>
            <li>PP-TinyPose</li>
        </ul></details>
K
Kaipeng Deng 已提交
185
      </ul>
W
wangguanzhong 已提交
186 187
      </td>
      <td>
W
wangguanzhong 已提交
188
        <details><summary><b>Details</b></summary>
W
wangguanzhong 已提交
189 190
        <ul>
          <li>ResNet(&vd)</li>
W
wangguanzhong 已提交
191 192
          <li>Res2Net(&vd)</li>
          <li>CSPResNet</li>
W
wangguanzhong 已提交
193 194 195
          <li>SENet</li>
          <li>Res2Net</li>
          <li>HRNet</li>
W
wangguanzhong 已提交
196
          <li>Lite-HRNet</li>
W
wangguanzhong 已提交
197 198 199
          <li>DarkNet</li>
          <li>CSPDarkNet</li>
          <li>MobileNetv1/v3</li>  
W
wangguanzhong 已提交
200
          <li>ShuffleNet</li>
W
wangguanzhong 已提交
201
          <li>GhostNet</li>
W
wangguanzhong 已提交
202 203 204 205 206 207
          <li>BlazeNet</li>
          <li>DLA</li>
          <li>HardNet</li>
          <li>LCNet</li>  
          <li>ESNet</li>  
          <li>Swin-Transformer</li>
W
wangguanzhong 已提交
208 209
          <li>ConvNeXt</li>
          <li>Vision Transformer</li>
W
wangguanzhong 已提交
210
        </ul></details>
W
wangguanzhong 已提交
211 212
      </td>
      <td>
W
wangguanzhong 已提交
213
        <details><summary><b>Common</b></summary>
W
wangguanzhong 已提交
214 215 216 217
          <ul>
            <li>Sync-BN</li>
            <li>Group Norm</li>
            <li>DCNv2</li>
W
wangguanzhong 已提交
218 219
            <li>EMA</li>
          </ul> </details>
W
wangguanzhong 已提交
220
        </ul>
W
wangguanzhong 已提交
221
        <details><summary><b>KeyPoint</b></summary>
K
Kaipeng Deng 已提交
222 223
          <ul>
            <li>DarkPose</li>
W
wangguanzhong 已提交
224
          </ul></details>
K
Kaipeng Deng 已提交
225
        </ul>
W
wangguanzhong 已提交
226
        <details><summary><b>FPN</b></summary>
W
wangguanzhong 已提交
227 228
          <ul>
            <li>BiFPN</li>
W
wangguanzhong 已提交
229 230 231
            <li>CSP-PAN</li>
            <li>Custom-PAN</li>
            <li>ES-PAN</li>
W
wangguanzhong 已提交
232
            <li>HRFPN</li>
W
wangguanzhong 已提交
233
          </ul> </details>
W
wangguanzhong 已提交
234
        </ul>  
W
wangguanzhong 已提交
235
        <details><summary><b>Loss</b></summary>
W
wangguanzhong 已提交
236 237 238 239
          <ul>
            <li>Smooth-L1</li>
            <li>GIoU/DIoU/CIoU</li>  
            <li>IoUAware</li>
W
wangguanzhong 已提交
240 241 242 243
            <li>Focal Loss</li>
            <li>CT Focal Loss</li>
            <li>VariFocal Loss</li>
          </ul> </details>
W
wangguanzhong 已提交
244
        </ul>  
W
wangguanzhong 已提交
245
        <details><summary><b>Post-processing</b></summary>
W
wangguanzhong 已提交
246 247 248
          <ul>
            <li>SoftNMS</li>
            <li>MatrixNMS</li>  
W
wangguanzhong 已提交
249
          </ul> </details>  
W
wangguanzhong 已提交
250
        </ul>
W
wangguanzhong 已提交
251
        <details><summary><b>Speed</b></summary>
W
wangguanzhong 已提交
252 253 254
          <ul>
            <li>FP16 training</li>
            <li>Multi-machine training </li>  
W
wangguanzhong 已提交
255
          </ul> </details>  
W
wangguanzhong 已提交
256 257 258
        </ul>  
      </td>
      <td>
W
wangguanzhong 已提交
259
        <details><summary><b>Details</b></summary>
W
wangguanzhong 已提交
260 261
        <ul>
          <li>Resize</li>  
K
Kaipeng Deng 已提交
262
          <li>Lighting</li>  
W
wangguanzhong 已提交
263 264 265 266 267 268
          <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
269
          <li>AugmentHSV</li>
K
Kaipeng Deng 已提交
270
          <li>Mosaic</li>
W
wangguanzhong 已提交
271 272 273
          <li>Cutmix </li>
          <li>Grid Mask</li>
          <li>Auto Augment</li>  
K
Kaipeng Deng 已提交
274
          <li>Random Perspective</li>  
W
wangguanzhong 已提交
275
        </ul> </details>  
W
wangguanzhong 已提交
276 277 278 279 280 281 282 283
      </td>  
    </tr>

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

284
## <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
285

W
wangguanzhong 已提交
286 287 288
<details>
<summary><b> 云端模型性能对比</b></summary>

W
wangguanzhong 已提交
289 290 291 292 293 294 295 296
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
297
- `ViT``ViT-Cascade-Faster-RCNN`模型,COCO数据集mAP高达55.7%
W
wangguanzhong 已提交
298
- `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
299 300 301
- `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
302 303
- 图中模型均可在[模型库](#模型库)中获取

W
wangguanzhong 已提交
304 305 306 307 308
</details>

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

K
Kaipeng Deng 已提交
309 310 311 312 313 314 315
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
316

K
Kaipeng Deng 已提交
317 318 319
- 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
320 321 322 323 324 325 326
</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
327
#### [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
328 329 330

| 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
331 332 333 334
| 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
335 336 337 338 339 340 341 342 343 344 345 346 347 348 349

#### [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)  |
350 351
| [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
352

F
Feng Ni 已提交
353 354 355
**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
356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389
#### 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
390
| 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
391
| 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
392
| 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
393 394 395 396 397 398

#### 其他多目标跟踪模型 [文档链接](configs/mot)

</details>

<details>
W
wangguanzhong 已提交
399
<summary><b> 5. 产业级实时行人分析工具PP-Human </b></summary>
W
wangguanzhong 已提交
400 401


402 403 404 405 406 407 408 409 410 411 412 413 414
| 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
415 416


W
wangguanzhong 已提交
417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434
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 |

435
点击模型方案中的模型即可下载指定模型
W
wangguanzhong 已提交
436

Z
zhiboniu 已提交
437
详细信息参考[文档](deploy/pipeline)
W
wangguanzhong 已提交
438 439 440 441

</details>


442
## <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
443 444 445 446

### 入门教程

- [安装说明](docs/tutorials/INSTALL_cn.md)
W
wangguanzhong 已提交
447 448 449
- [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
450
- [FAQ/常见问题汇总](docs/tutorials/FAQ)
Y
yzl19940819 已提交
451

W
wangguanzhong 已提交
452 453
### 进阶教程

454
- 参数配置
W
wangguanzhong 已提交
455

Y
YixinKristy 已提交
456 457 458
  - [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)

459
- 模型压缩(基于[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim))
W
wangguanzhong 已提交
460

Y
YixinKristy 已提交
461
  - [剪裁/量化/蒸馏教程](configs/slim)
462

W
wangguanzhong 已提交
463
- [推理部署](deploy/README.md)
W
wangguanzhong 已提交
464

Y
YixinKristy 已提交
465 466 467 468 469 470 471 472 473
  - [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)

474
- 进阶开发
W
wangguanzhong 已提交
475

Y
YixinKristy 已提交
476 477
  - [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
478 479 480
  - 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
481
    - [多目标跟踪](docs/advanced_tutorials/customization/pphuman_mot.md)
482
    - [行为识别](docs/advanced_tutorials/customization/action_recognotion/)
Z
zhiboniu 已提交
483
    - [属性识别](docs/advanced_tutorials/customization/pphuman_attribute.md)
Y
YixinKristy 已提交
484

485 486
### 课程专栏

W
wangguanzhong 已提交
487
- **【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
488

W
wangguanzhong 已提交
489 490 491
- **【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
492

493 494
- **【学术交流】2022.9.27 [YOLO Vision世界学术交流大会](https://www.youtube.com/playlist?list=PL1FZnkj4ad1NHVC7CMc3pjSQ-JRK-Ev6O):** 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

495
### [产业实践范例教程](./industrial_tutorial/README.md)
496

XYZ_916's avatar
XYZ_916 已提交
497 498
- [基于PP-Human v2的摔倒检测](https://aistudio.baidu.com/aistudio/projectdetail/4606001)

499
- [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
500

501
- [基于PP-Human的打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?contributionType=1)
502

503
- [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)
504

505
- [基于PP-PicoDet的通信塔识别及Android端部署](https://aistudio.baidu.com/aistudio/projectdetail/3561097)
506 507 508

- [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
509 510
- [基于PP-Human的来客分析案例教程](https://aistudio.baidu.com/aistudio/projectdetail/4537344)

511
- [更多其他范例](./industrial_tutorial/README.md)
512

513
## <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
514

W
wangguanzhong 已提交
515
- [安卓健身APP](https://github.com/zhiboniu/pose_demo_android)
W
wangguanzhong 已提交
516
- [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
517

518
## <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
519 520 521 522 523 524 525

- [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)

526
## <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
527

K
Kaipeng Deng 已提交
528
版本更新内容请参考[版本更新文档](docs/CHANGELOG.md)
W
wangguanzhong 已提交
529

530
## <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
531 532 533 534

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


535
## <img src="https://user-images.githubusercontent.com/48054808/157835276-9aab9d1c-1c46-446b-bdd4-5ab75c5cfa48.png" width="20"/> 引用
W
wangguanzhong 已提交
536 537 538 539 540 541 542 543 544

```
@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}
}
```