/PaddleDetection

Object detection and instance segmentation toolkit based on PaddlePaddle.

Primary LanguagePythonApache License 2.0Apache-2.0

简体中文 | English

文档:https://paddledetection.readthedocs.io

PaddleDetection

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

PaddleDetection新发布精度速度领先的PP-YOLO模型,COCO数据集精度达到45.2%,单卡Tesla V100预测速度达到72.9 FPS,详细信息见PP-YOLO模型

目前检测库下模型均要求使用PaddlePaddle 1.8及以上版本或适当的develop版本。

简介

特性:

  • 模型丰富:

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

  • 易部署:

    PaddleDetection的模型中使用的核心算子均通过C++或CUDA实现,同时基于PaddlePaddle的高性能推理引擎可以方便地部署在多种硬件平台上。

  • 高灵活度:

    PaddleDetection通过模块化设计来解耦各个组件,基于配置文件可以轻松地搭建各种检测模型。

  • 高性能:

    基于PaddlePaddle框架的高性能内核,在模型训练速度、显存占用上有一定的优势。例如,YOLOv3的训练速度快于其他框架,在Tesla V100 16GB环境下,Mask-RCNN(ResNet50)可以单卡Batch Size可以达到4 (甚至到5)。

支持的模型结构:

ResNet ResNet-vd 1 ResNeXt-vd SENet MobileNet HRNet Res2Net
Faster R-CNN x
Faster R-CNN + FPN
Mask R-CNN x
Mask R-CNN + FPN
Cascade Faster-RCNN
Cascade Mask-RCNN
Libra R-CNN
RetinaNet
YOLOv3
SSD
BlazeFace
Faceboxes

[1] ResNet-vd 模型预测速度基本不变的情况下提高了精度。

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

更多的模型:

  • EfficientDet
  • FCOS
  • CornerNet-Squeeze
  • YOLOv4
  • PP-YOLO

更多的Backone:

  • DarkNet
  • VGG
  • GCNet
  • CBNet
  • Hourglass

扩展特性:

  • Synchronized Batch Norm
  • Group Norm
  • Modulated Deformable Convolution
  • Deformable PSRoI Pooling
  • Non-local和GCNet

注意: Synchronized batch normalization 只能在多GPU环境下使用,不能在CPU环境或者单GPU环境下使用。

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

说明:

  • CBResNetCascade-Faster-RCNN-CBResNet200vd-FPN模型,COCO数据集mAP高达53.3%
  • Cascade-Faster-RCNNCascade-Faster-RCNN-ResNet50vd-DCN,PaddleDetection将其优化到COCO数据mAP为47.8%时推理速度为20FPS
  • PaddleDetection增强版YOLOv3-ResNet50vd-DCN在COCO数据集mAP高于原作10.6个绝对百分点,推理速度为61.3FPS,快于原作约70%
  • 图中模型均可在模型库中获取

以下为PaddleDetection发布的精度和预测速度优于YOLOv4模型的PP-YOLO与前沿目标检测算法的COCO数据集精度与单卡Tesla V100预测速度(FPS)关系图, PP-YOLO模型在COCO test2019数据集上精度达到45.2%,在单卡V100上FP32推理速度为72.9 FPS,详细信息见PP-YOLO模型

文档教程

入门教程

进阶教程

模型库

许可证书

本项目的发布受Apache 2.0 license许可认证。

版本更新

v0.4.0版本已经在07/2020发布,增加PP-YOLO, TTFNet, HTC, ACFPN等多个模型,新增BlazeFace人脸关键点检测模型,新增移动端SSDLite系列优化模型,新增GridMask,RandomErasing数据增强方法,新增Matrix NMS和EMA训练,提升易用性,修复已知诸多bug等,详细内容请参考版本更新文档

如何贡献代码

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