PaddlePaddle/PaddleDetection

English | 簡體中文

PaddleDetection

PaddleDetection的目的是爲工業界和學術界提供豐富、易用的目標檢測模型。不只性能優越、易於部署，並且可以靈活的知足算法研究的需求。

目前檢測庫下模型均要求使用PaddlePaddle 1.7及以上版本或適當的develop版本。

簡介

特性：

• 易部署:

  PaddleDetection的模型中使用的核心算子均經過C++或CUDA實現，同時基於PaddlePaddle的高性能推理引擎能夠方便地部署在多種硬件平臺上。

• 高靈活度：

  PaddleDetection經過模塊化設計來解耦各個組件，基於配置文件能夠輕鬆地搭建各類檢測模型。

• 高性能：

  基於PaddlePaddle框架的高性能內核，在模型訓練速度、顯存佔用上有必定的優點。例如，YOLOv3的訓練速度快於其餘框架，在Tesla V100 16GB環境下，Mask-RCNN(ResNet50)能夠單卡Batch Size能夠達到4 (甚至到5)。

支持的模型結構：

	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 模型提供了較大的精度提升和較少的性能損失。

更多的Backone：

• DarkNet
• VGG
• GCNet
• CBNet

擴展特性：

• Synchronized Batch Norm: 目前在YOLOv3中使用。
• Group Norm
• Modulated Deformable Convolution
• Deformable PSRoI Pooling
• Non-local和GCNet

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

文檔教程

最新動態： 已發佈文檔教程：https://paddledetection.readthedocs.io

入門教程

• 安裝說明
• 快速開始
• 訓練/評估/預測流程
• 常見問題彙總

進階教程

• 數據預處理及自定義數據集
• 搭建模型步驟
• 配置模塊設計和介紹
• IPython Notebook demo
• 遷移學習教程
• 模型壓縮
  • 壓縮benchmark
  • 量化
  • 剪枝
  • 蒸餾
  • 神經網絡搜索
• 推理部署
  • 模型導出教程
  • 預測引擎Python API使用示例
  • C++推理部署
  • 推理Benchmark

模型庫

• 模型庫
• 人臉檢測模型 開源BlazeFace系列模型，Wider-Face數據集上最高精度達到91.5%，同時具有了較高的預測性能
• 行人檢測和車輛檢測預訓練模型 針對不一樣場景的檢測模型
• YOLOv3加強模型 改進原始YOLOv3，精度達到43.6%，原論文精度爲33.0%，同時預測速度也獲得提高
• Objects365 2019 Challenge奪冠模型 Objects365 Full Track任務中最好的單模型之一,精度達到31.7%
• Open Images V5和Objects365數據集模型

許可證書

本項目的發佈受Apache 2.0 license許可認證。

版本更新

v0.2.0版本已經在02/2020發佈，增長多個模型，升級數據處理模塊，拆分YOLOv3的loss，修復已知諸多bug等， 詳細內容請參考版本更新文檔。

如何貢獻代碼

咱們很是歡迎你能夠爲PaddleDetection提供代碼，也十分感謝你的反饋。