简体中文 | English

PaddleDetection

PaddleDetection 2.0全面升级！目前默认使用动态图版本，静态图版本位于static中

超高性价比PPYOLO v2和1.3M超轻量PPYOLO tiny全新出炉！欢迎使用

Anchor Free SOTA模型PAFNet发布！欢迎使用

近期活动

百度飞桨产业级目标检测技术详解系列直播课，看超越YOLOv5的PP-YOLOv2到底多强大

欢迎大家加入PPYOLOv2&Tiny技术交流群

课程安排

直播链接

5月13日19:00-20:00
- 主题: 产业级目标检测算法全解读
5月14日19:00-20:00
- 主题: 1.3M超轻量目标检测算法解读及应用
5月21日20:00-21:00
- 主题: 复杂背景下小目标检测模型开发实战

学习链接

0【PaddleDetection2.0专项】新版本快速体验

1【PaddleDetection2.0专项】如何自定义数据集

2【PaddleDetection2.0专项】快速上手PP-YOLOv2

3【PaddleDetection2.0专项】快速上手PP-YOLO tiny

4【PaddleDetection2.0专项】快速上手S2ANet

5【PaddleDetection2.0专项】快速实现行人检测

6【PaddleDetection2.0专项】快速实现人脸检测

简介

PaddleDetection飞桨目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的组建、训练、优化及部署等全开发流程。

PaddleDetection模块化地实现了多种主流目标检测算法，提供了丰富的数据增强策略、网络模块组件（如骨干网络）、损失函数等，并集成了模型压缩和跨平台高性能部署能力。

经过长时间产业实践打磨，PaddleDetection已拥有顺畅、卓越的使用体验，被工业质检、遥感图像检测、无人巡检、新零售、互联网、科研等十多个行业的开发者广泛应用。

产品动态

2021.04.14: 发布release/2.0版本，PaddleDetection全面支持动态图，覆盖静态图模型算法，全面升级模型效果，同时发布PP-YOLO v2, PPYOLO tiny模型，增强版anchor free模型PAFNet，新增旋转框检测S2ANet模型，详情参考PaddleDetection
2021.02.07: 发布release/2.0-rc版本，PaddleDetection动态图试用版本，详情参考PaddleDetection动态图。

特性

模型丰富: 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。

套件结构概览

Architectures

Backbones

Components

Data Augmentation

Two-Stage Detection

Faster RCNN
FPN
Cascade-RCNN
Libra RCNN
Hybrid Task RCNN
PSS-Det

One-Stage Detection

RetinaNet
YOLOv3
YOLOv4
PP-YOLO
SSD

Anchor Free

CornerNet-Squeeze
FCOS
TTFNet

Instance Segmentation

Mask RCNN
SOLOv2

Face-Detction

FaceBoxes
BlazeFace
BlazeFace-NAS

ResNet(&vd)
ResNeXt(&vd)
SENet
Res2Net
HRNet
Hourglass
CBNet
GCNet
DarkNet
CSPDarkNet
VGG
MobileNetv1/v3
GhostNet
Efficientnet

Common

Sync-BN
Group Norm
DCNv2
Non-local

FPN

BiFPN
BFP
HRFPN
ACFPN

Loss

Smooth-L1
GIoU/DIoU/CIoU
IoUAware

Post-processing

SoftNMS
MatrixNMS

Speed

FP16 training
Multi-machine training

Resize
Flipping
Expand
Crop
Color Distort
Random Erasing
Mixup
Cutmix
Grid Mask
Auto Augment

模型性能概览

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。

说明：

CBResNet为Cascade-Faster-RCNN-CBResNet200vd-FPN模型，COCO数据集mAP高达53.3%
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-YOLO在COCO数据集精度45.9%，Tesla V100预测速度72.9FPS，精度速度均优于YOLOv4
PP-YOLO v2是对PP-YOLO模型的进一步优化，在COCO数据集精度49.5%，Tesla V100预测速度68.9FPS
图中模型均可在模型库中获取

文档教程

入门教程

进阶教程

模型库

通用目标检测:
通用实例分割
- SOLOv2
旋转框检测
- S2ANet
垂类领域
比赛冠军方案
- Objects365 2019 Challenge夺冠模型
- Open Images 2019-Object Detction比赛最佳单模型

应用案例

人像圣诞特效自动生成工具

第三方教程推荐

版本更新

v2.0版本已经在04/2021发布，全面支持动态图版本，新增支持BlazeFace, PSSDet等系列模型和大量骨干网络，发布PP-YOLO v2, PP-YOLO tiny和旋转框检测S2ANet模型。支持模型蒸馏、VisualDL，新增动态图预测部署benchmark，详细内容请参考版本更新文档。

许可证书

本项目的发布受Apache 2.0 license许可认证。

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。

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}
}