English | 简体中文

PaddleDetection

PaddleDetection的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。

目前检测库下模型均要求使用PaddlePaddle 1.6及以上版本或适当的develop版本。

简介

特性：

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	DarkNet	VGG
Faster R-CNN	✓	✓	x	✓	✗	✗	✗
Faster R-CNN + FPN	✓	✓	✓	✓	✗	✗	✗
Mask R-CNN	✓	✓	x	✓	✗	✗	✗
Mask R-CNN + FPN	✓	✓	✓	✓	✗	✗	✗
Cascade Faster-CNN	✓	✓	✓	✗	✗	✗	✗
Cascade Mask-CNN	✓	✗	✗	✓	✗	✗	✗
RetinaNet	✓	✗	✓	✗	✗	✗	✗
YOLOv3	✓	✗	✗	✗	✓	✓	✗
SSD	✗	✗	✗	✗	✓	✗	✓

[1] ResNet-vd 模型提供了较大的精度提高和较少的性能损失。

扩展特性：

Synchronized Batch Norm: 目前在YOLOv3中使用。
Group Norm
Modulated Deformable Convolution
Deformable PSRoI Pooling

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。

使用教程

模型库

模型库
人脸检测模型
行人检测和车辆检测预训练模型针对不同场景的检测模型
YOLOv3增强模型改进原始YOLOv3，精度达到41.4%，原论文精度为33.0%，同时预测速度也得到提升
Objects365 2019 Challenge夺冠模型 Objects365 Full Track任务中最好的单模型之一,精度达到31.7%
Open Images V5和Objects365数据集模型

模型压缩

推理部署

Benchmark

推理Benchmark

版本更新

21/11/2019

增加CascadeClsAware RCNN模型。
增加CBNet，ResNet200和Non-local模型。
增加SoftNMS。
增加Open Image V5数据集和Objects365数据集模型。

10/2019

增加增强版YOLOv3模型，精度高达41.4%。
增加人脸检测模型BlazeFace、Faceboxes。
丰富基于COCO的模型，精度高达51.9%。
增加Objects365 2019 Challenge上夺冠的最佳单模型之一CACascade-RCNN。
增加行人检测和车辆检测预训练模型。
支持FP16训练。
增加跨平台的C++推理部署方案。
增加模型压缩示例。

2/9/2019

增加GroupNorm模型。
增加CascadeRCNN+Mask模型。

5/8/2019

增加Modulated Deformable Convolution系列模型。

29/7/2019

增加检测库中文文档
修复R-CNN系列模型训练同时进行评估的问题
新增ResNext101-vd + Mask R-CNN + FPN模型
新增基于VOC数据集的YOLOv3模型

3/7/2019

首次发布PaddleDetection检测库和检测模型库
模型包括：Faster R-CNN, Mask R-CNN, Faster R-CNN+FPN, Mask R-CNN+FPN, Cascade-Faster-RCNN+FPN, RetinaNet, YOLOv3, 和SSD.

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。

yongkahjeng / paddledetection Goto Github PK

paddledetection's Introduction