|
|
@@ -1,3 +1,548 @@
|
|
|
-# PaddleDetection
|
|
|
+简体中文 | [English](README_en.md)
|
|
|
|
|
|
-Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection.
|
|
|
+<div align="center">
|
|
|
+<p align="center">
|
|
|
+ <img src="https://user-images.githubusercontent.com/48054808/160532560-34cf7a1f-d950-435e-90d2-4b0a679e5119.png" align="middle" width = "800" />
|
|
|
+</p>
|
|
|
+
|
|
|
+**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。**
|
|
|
+
|
|
|
+<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>
|
|
|
+</div>
|
|
|
+
|
|
|
+
|
|
|
+<div align="center">
|
|
|
+ <img src="docs/images/ppdet.gif" width="800"/>
|
|
|
+
|
|
|
+</div>
|
|
|
+
|
|
|
+
|
|
|
+## 🔥 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>
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157793354-6e7f381a-0aa6-4bb7-845c-9acf2ecc05c3.png" width="20"/> 产品动态
|
|
|
+
|
|
|
+- 🔥 **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：
|
|
|
+ - 全面覆盖的[YOLO家族](docs/feature_models/YOLOSERIES_MODEL.md)经典与最新模型代码库[PaddleYOLO](https://github.com/PaddlePaddle/PaddleYOLO): 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
|
|
|
+ - 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
|
|
|
+
|
|
|
+- 2022.3.24：PaddleDetection发布[release/2.4版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4)
|
|
|
+ - 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。
|
|
|
+ - 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。
|
|
|
+ - 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。
|
|
|
+ - 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%。
|
|
|
+
|
|
|
+- [更多版本发布](https://github.com/PaddlePaddle/PaddleDetection/releases)
|
|
|
+
|
|
|
+## <img title="" src="https://user-images.githubusercontent.com/48054808/157795569-9fc77c85-732f-4870-9be0-99a7fe2cff27.png" alt="" width="20"> 简介
|
|
|
+
|
|
|
+**PaddleDetection**为基于飞桨PaddlePaddle的端到端目标检测套件，内置**30+模型算法**及**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。
|
|
|
+
|
|
|
+<div align="center">
|
|
|
+ <img src="https://user-images.githubusercontent.com/22989727/189026616-75f9c06c-b403-4a61-9372-0fcbed6e0662.gif" width="800"/>
|
|
|
+</div>
|
|
|
+
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157799599-e6a66855-bac6-4e75-b9c0-96e13cb9612f.png" width="20"/> 特性
|
|
|
+
|
|
|
+- **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**等**250+个预训练模型**，涵盖多种**全球竞赛冠军**方案。
|
|
|
+- **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。
|
|
|
+
|
|
|
+<div align="center">
|
|
|
+ <img src="https://user-images.githubusercontent.com/22989727/189026189-5d21e93a-5b33-40ce-bc36-c737122c1992.png" width="800"/>
|
|
|
+</div>
|
|
|
+
|
|
|
+## <img title="" src="https://user-images.githubusercontent.com/48054808/157800467-2a9946ad-30d1-49a9-b9db-ba33413d9c90.png" alt="" width="20"> 技术交流
|
|
|
+
|
|
|
+- 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。
|
|
|
+
|
|
|
+- **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
|
|
|
+ <div align="center">
|
|
|
+ <img src="https://user-images.githubusercontent.com/34162360/177678712-4655747d-4290-4ad9-b7a1-4564a5418ac6.jpg" width = "200" />
|
|
|
+ </div>
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157827140-03ffaff7-7d14-48b4-9440-c38986ea378c.png" width="20"/> 套件结构概览
|
|
|
+
|
|
|
+<table align="center">
|
|
|
+ <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>
|
|
|
+ <ul>
|
|
|
+ <details><summary><b>Object Detection</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>Faster RCNN</li>
|
|
|
+ <li>FPN</li>
|
|
|
+ <li>Cascade-RCNN</li>
|
|
|
+ <li>PSS-Det</li>
|
|
|
+ <li>RetinaNet</li>
|
|
|
+ <li>YOLOv3</li>
|
|
|
+ <li>YOLOv5</li>
|
|
|
+ <li>YOLOv6</li>
|
|
|
+ <li>YOLOv7</li>
|
|
|
+ <li>PP-YOLOv1/v2</li>
|
|
|
+ <li>PP-YOLO-Tiny</li>
|
|
|
+ <li>PP-YOLOE</li>
|
|
|
+ <li>PP-YOLOE+</li>
|
|
|
+ <li>YOLOX</li>
|
|
|
+ <li>SSD</li>
|
|
|
+ <li>CenterNet</li>
|
|
|
+ <li>FCOS</li>
|
|
|
+ <li>TTFNet</li>
|
|
|
+ <li>TOOD</li>
|
|
|
+ <li>GFL</li>
|
|
|
+ <li>PP-PicoDet</li>
|
|
|
+ <li>DETR</li>
|
|
|
+ <li>Deformable DETR</li>
|
|
|
+ <li>Swin Transformer</li>
|
|
|
+ <li>Sparse RCNN</li>
|
|
|
+ </ul></details>
|
|
|
+ <details><summary><b>Instance Segmentation</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>Mask RCNN</li>
|
|
|
+ <li>Cascade Mask RCNN</li>
|
|
|
+ <li>SOLOv2</li>
|
|
|
+ </ul></details>
|
|
|
+ <details><summary><b>Face Detection</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>BlazeFace</li>
|
|
|
+ </ul></details>
|
|
|
+ <details><summary><b>Multi-Object-Tracking</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>JDE</li>
|
|
|
+ <li>FairMOT</li>
|
|
|
+ <li>DeepSORT</li>
|
|
|
+ <li>ByteTrack</li>
|
|
|
+ <li>OC-SORT</li>
|
|
|
+ </ul></details>
|
|
|
+ <details><summary><b>KeyPoint-Detection</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>HRNet</li>
|
|
|
+ <li>HigherHRNet</li>
|
|
|
+ <li>Lite-HRNet</li>
|
|
|
+ <li>PP-TinyPose</li>
|
|
|
+ </ul></details>
|
|
|
+ </ul>
|
|
|
+ </td>
|
|
|
+ <td>
|
|
|
+ <details><summary><b>Details</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>ResNet(&vd)</li>
|
|
|
+ <li>Res2Net(&vd)</li>
|
|
|
+ <li>CSPResNet</li>
|
|
|
+ <li>SENet</li>
|
|
|
+ <li>Res2Net</li>
|
|
|
+ <li>HRNet</li>
|
|
|
+ <li>Lite-HRNet</li>
|
|
|
+ <li>DarkNet</li>
|
|
|
+ <li>CSPDarkNet</li>
|
|
|
+ <li>MobileNetv1/v3</li>
|
|
|
+ <li>ShuffleNet</li>
|
|
|
+ <li>GhostNet</li>
|
|
|
+ <li>BlazeNet</li>
|
|
|
+ <li>DLA</li>
|
|
|
+ <li>HardNet</li>
|
|
|
+ <li>LCNet</li>
|
|
|
+ <li>ESNet</li>
|
|
|
+ <li>Swin-Transformer</li>
|
|
|
+ <li>ConvNeXt</li>
|
|
|
+ <li>Vision Transformer</li>
|
|
|
+ </ul></details>
|
|
|
+ </td>
|
|
|
+ <td>
|
|
|
+ <details><summary><b>Common</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>Sync-BN</li>
|
|
|
+ <li>Group Norm</li>
|
|
|
+ <li>DCNv2</li>
|
|
|
+ <li>EMA</li>
|
|
|
+ </ul> </details>
|
|
|
+ </ul>
|
|
|
+ <details><summary><b>KeyPoint</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>DarkPose</li>
|
|
|
+ </ul></details>
|
|
|
+ </ul>
|
|
|
+ <details><summary><b>FPN</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>BiFPN</li>
|
|
|
+ <li>CSP-PAN</li>
|
|
|
+ <li>Custom-PAN</li>
|
|
|
+ <li>ES-PAN</li>
|
|
|
+ <li>HRFPN</li>
|
|
|
+ </ul> </details>
|
|
|
+ </ul>
|
|
|
+ <details><summary><b>Loss</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>Smooth-L1</li>
|
|
|
+ <li>GIoU/DIoU/CIoU</li>
|
|
|
+ <li>IoUAware</li>
|
|
|
+ <li>Focal Loss</li>
|
|
|
+ <li>CT Focal Loss</li>
|
|
|
+ <li>VariFocal Loss</li>
|
|
|
+ </ul> </details>
|
|
|
+ </ul>
|
|
|
+ <details><summary><b>Post-processing</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>SoftNMS</li>
|
|
|
+ <li>MatrixNMS</li>
|
|
|
+ </ul> </details>
|
|
|
+ </ul>
|
|
|
+ <details><summary><b>Speed</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>FP16 training</li>
|
|
|
+ <li>Multi-machine training </li>
|
|
|
+ </ul> </details>
|
|
|
+ </ul>
|
|
|
+ </td>
|
|
|
+ <td>
|
|
|
+ <details><summary><b>Details</b></summary>
|
|
|
+ <ul>
|
|
|
+ <li>Resize</li>
|
|
|
+ <li>Lighting</li>
|
|
|
+ <li>Flipping</li>
|
|
|
+ <li>Expand</li>
|
|
|
+ <li>Crop</li>
|
|
|
+ <li>Color Distort</li>
|
|
|
+ <li>Random Erasing</li>
|
|
|
+ <li>Mixup </li>
|
|
|
+ <li>AugmentHSV</li>
|
|
|
+ <li>Mosaic</li>
|
|
|
+ <li>Cutmix </li>
|
|
|
+ <li>Grid Mask</li>
|
|
|
+ <li>Auto Augment</li>
|
|
|
+ <li>Random Perspective</li>
|
|
|
+ </ul> </details>
|
|
|
+ </td>
|
|
|
+ </tr>
|
|
|
+
|
|
|
+</td>
|
|
|
+ </tr>
|
|
|
+ </tbody>
|
|
|
+</table>
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157801371-9a9a8c65-1690-4123-985a-e0559a7f9494.png" width="20"/> 模型性能概览
|
|
|
+
|
|
|
+<details>
|
|
|
+<summary><b> 云端模型性能对比</b></summary>
|
|
|
+
|
|
|
+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：**
|
|
|
+
|
|
|
+- `ViT`为`ViT-Cascade-Faster-RCNN`模型，COCO数据集mAP高达55.7%
|
|
|
+- `Cascade-Faster-RCNN`为`Cascade-Faster-RCNN-ResNet50vd-DCN`，PaddleDetection将其优化到COCO数据mAP为47.8%时推理速度为20FPS
|
|
|
+- `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)和[`YOLOv5`](https://github.com/PaddlePaddle/PaddleYOLO/tree/develop/configs/yolov5)均为基于PaddleDetection复现算法，`YOLOv5`代码在[`PaddleYOLO`](https://github.com/PaddlePaddle/PaddleYOLO)中，参照[YOLOSERIES_MODEL](docs/feature_models/YOLOSERIES_MODEL.md)
|
|
|
+- 图中模型均可在[模型库](#模型库)中获取
|
|
|
+
|
|
|
+</details>
|
|
|
+
|
|
|
+<details>
|
|
|
+<summary><b> 移动端模型性能对比</b></summary>
|
|
|
+
|
|
|
+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：**
|
|
|
+
|
|
|
+- 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)及[PP-YOLO-Tiny](configs/ppyolo)为PaddleDetection自研模型，其余模型PaddleDetection暂未提供
|
|
|
+
|
|
|
+</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>
|
|
|
+
|
|
|
+#### [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
|
|
|
+
|
|
|
+| 模型名称 | COCO精度（mAP） | V100 TensorRT FP16速度(FPS) | 配置文件 | 模型下载 |
|
|
|
+|:---------- |:-----------:|:-------------------------:|:-----------------------------------------------------:|:------------------------------------------------------------------------------------:|
|
|
|
+| 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) |
|
|
|
+
|
|
|
+#### [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) |
|
|
|
+| [YOLOv5-l](https://github.com/PaddlePaddle/PaddleYOLO/tree/develop/configs/yolov5) | 48.6 | 136.0 | [链接](https://github.com/nemonameless/PaddlePaddle/PaddleYOLO/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/PaddlePaddle/PaddleYOLO/tree/develop/configs/yolov7) | 51.0 | 135.0 | [链接](https://github.com/nemonameless/PaddlePaddle/PaddleYOLO/blob/develop/configs/yolov7/yolov7_l_300e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/yolov7_l_300e_coco.pdparams) |
|
|
|
+
|
|
|
+**注意:**
|
|
|
+- `YOLOv5`和`YOLOv7`代码在[`PaddleYOLO`](https://github.com/PaddlePaddle/PaddleYOLO)中，为基于`PaddleDetection`复现的算法，可参照[YOLOSERIES_MODEL](docs/feature_models/YOLOSERIES_MODEL.md)。
|
|
|
+
|
|
|
+#### 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 |
|
|
|
+|:--------- |:------------------------ |:---------------------------------- |:----------------------:|:---------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------:|
|
|
|
+| 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) |
|
|
|
+| 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) |
|
|
|
+| 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) |
|
|
|
+
|
|
|
+#### 其他多目标跟踪模型 [文档链接](configs/mot)
|
|
|
+
|
|
|
+</details>
|
|
|
+
|
|
|
+<details>
|
|
|
+<summary><b> 5. 产业级实时行人分析工具PP-Human </b></summary>
|
|
|
+
|
|
|
+
|
|
|
+| 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 |
|
|
|
+
|
|
|
+
|
|
|
+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 |
|
|
|
+
|
|
|
+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>
|
|
|
+
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157828296-d5eb0ccb-23ea-40f5-9957-29853d7d13a9.png" width="20"/> 文档教程
|
|
|
+
|
|
|
+### 入门教程
|
|
|
+
|
|
|
+- [安装说明](docs/tutorials/INSTALL_cn.md)
|
|
|
+- [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)
|
|
|
+- [FAQ/常见问题汇总](docs/tutorials/FAQ)
|
|
|
+
|
|
|
+### 进阶教程
|
|
|
+
|
|
|
+- 参数配置
|
|
|
+
|
|
|
+ - [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)
|
|
|
+
|
|
|
+- 模型压缩(基于[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim))
|
|
|
+
|
|
|
+ - [剪裁/量化/蒸馏教程](configs/slim)
|
|
|
+
|
|
|
+- [推理部署](deploy/README.md)
|
|
|
+
|
|
|
+ - [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)
|
|
|
+
|
|
|
+- 进阶开发
|
|
|
+
|
|
|
+ - [数据处理模块](docs/advanced_tutorials/READER.md)
|
|
|
+ - [新增检测模型](docs/advanced_tutorials/MODEL_TECHNICAL.md)
|
|
|
+ - 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)
|
|
|
+ - [多目标跟踪](docs/advanced_tutorials/customization/pphuman_mot.md)
|
|
|
+ - [行为识别](docs/advanced_tutorials/customization/action_recognotion/)
|
|
|
+ - [属性识别](docs/advanced_tutorials/customization/pphuman_attribute.md)
|
|
|
+
|
|
|
+### 课程专栏
|
|
|
+
|
|
|
+- **【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
|
|
|
+
|
|
|
+- **【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
|
|
|
+
|
|
|
+- **【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
|
|
|
+
|
|
|
+### [产业实践范例教程](./industrial_tutorial/README.md)
|
|
|
+
|
|
|
+- [基于PP-Human v2的摔倒检测](https://aistudio.baidu.com/aistudio/projectdetail/4606001)
|
|
|
+
|
|
|
+- [基于PP-TinyPose增强版的智能健身动作识别](https://aistudio.baidu.com/aistudio/projectdetail/4385813)
|
|
|
+
|
|
|
+- [基于PP-Human的打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?contributionType=1)
|
|
|
+
|
|
|
+- [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)
|
|
|
+
|
|
|
+- [基于PP-PicoDet的通信塔识别及Android端部署](https://aistudio.baidu.com/aistudio/projectdetail/3561097)
|
|
|
+
|
|
|
+- [基于FairMOT实现人流量统计](https://aistudio.baidu.com/aistudio/projectdetail/2421822)
|
|
|
+
|
|
|
+- [基于PP-Human的来客分析案例教程](https://aistudio.baidu.com/aistudio/projectdetail/4537344)
|
|
|
+
|
|
|
+- [更多其他范例](./industrial_tutorial/README.md)
|
|
|
+
|
|
|
+## <img title="" src="https://user-images.githubusercontent.com/48054808/157836473-1cf451fa-f01f-4148-ba68-b6d06d5da2f9.png" alt="" width="20"> 应用案例
|
|
|
+
|
|
|
+- [安卓健身APP](https://github.com/zhiboniu/pose_demo_android)
|
|
|
+- [多目标跟踪系统GUI可视化界面](https://github.com/yangyudong2020/PP-Tracking_GUi)
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/160552806-496dc3ba-beb6-4623-8e26-44416b5848bf.png" width="25"/> 第三方教程推荐
|
|
|
+
|
|
|
+- [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)
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157835981-ef6057b4-6347-4768-8fcc-cd07fcc3d8b0.png" width="20"/> 版本更新
|
|
|
+
|
|
|
+版本更新内容请参考[版本更新文档](docs/CHANGELOG.md)
|
|
|
+
|
|
|
+## <img title="" src="https://user-images.githubusercontent.com/48054808/157835345-f5d24128-abaf-4813-b793-d2e5bdc70e5a.png" alt="" width="20"> 许可证书
|
|
|
+
|
|
|
+本项目的发布受[Apache 2.0 license](LICENSE)许可认证。
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157835796-08d4ffbc-87d9-4622-89d8-cf11a44260fc.png" width="20"/> 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。
|
|
|
+
|
|
|
+- 感谢[Mandroide](https://github.com/Mandroide)清理代码并且统一部分函数接口。
|
|
|
+- 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。
|
|
|
+- 感谢[yangyudong](https://github.com/yangyudong2020), [hchhtc123](https://github.com/hchhtc123) 开发PP-Tracking GUI界面
|
|
|
+- 感谢Shigure19 开发PP-TinyPose健身APP
|
|
|
+- 感谢[manangoel99](https://github.com/manangoel99)贡献Wandb可视化方式
|
|
|
+
|
|
|
+## <img src="https://user-images.githubusercontent.com/48054808/157835276-9aab9d1c-1c46-446b-bdd4-5ab75c5cfa48.png" width="20"/> 引用
|
|
|
+
|
|
|
+```
|
|
|
+@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}
|
|
|
+}
|
|
|
+```
|
