简介

此repository是基于PaddleDetection的YOLO集合，其upstream为PaddleDetection的develop分支，是精简版本的代码，只保留YOLO系列模型(YOLOv3、PP-YOLO、PP-YOLOv2、PP-YOLOE、YOLOX、YOLOv5)，以及保留了YOLO相关的多目标跟踪算法。

注意:

• github链接为：https://github.com/nemonameless/PaddleDetection_YOLOset
• gitee链接为：https://gitee.com/nemonameless/PaddleDetection_YOLOset

Updates!

======================================================

简体中文 | English

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。

产品动态

• 🔥 2022.7.14：行人分析工具PP-Human v2发布
  • 四大产业特色功能：高性能易扩展的五大复杂行为识别、闪电级人体属性识别、一行代码即可实现的人流检测与轨迹留存以及高精度跨镜跟踪
  • 底层核心算法性能强劲：覆盖行人检测、跟踪、属性三类核心算法能力，对目标人数、光线、背景均无限制
  • 极低使用门槛：提供保姆级全流程开发及模型优化策略、一行命令完成推理、兼容各类数据输入格式

活动预告 7月19日晚20点，PaddleDetection举办PP-Human v2线上私享交流会，欢迎大家扫码进群，获取线上会议链接！名额有限，抓紧报名！

• 2022.3.24：PaddleDetection发布release/2.4版本

  • 发布高精度云边一体SOTA目标检测模型PP-YOLOE，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，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，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%。

• 2021.11.03: PaddleDetection发布release/2.3版本

  • 发布轻量级检测特色模型⚡PP-PicoDet，0.99m的参数量可实现精度30+mAP、速度150FPS。
  • 发布轻量级关键点特色模型⚡PP-TinyPose，单人场景FP16推理可达122FPS、51.8AP，具有精度高速度快、检测人数无限制、微小目标效果好的优势。
  • 发布实时跟踪系统PP-Tracking，覆盖单、多镜头下行人、车辆、多类别跟踪，对小目标、密集型特殊优化，提供人、车流量技术解决方案。
  • 新增Swin Transformer，TOOD，GFL目标检测模型。
  • 发布Sniper小目标检测优化模型，发布针对EdgeBoard优化PP-YOLO-EB模型。
  • 新增轻量化关键点模型Lite HRNet关键点模型并支持Paddle Lite部署。

<<<<<<< HEAD

• 2021.08.10: PaddleDetection发布release/2.2版本

  • 发布Transformer检测系列模型，包括DETR, Deformable DETR, Sparse RCNN。
  • 新增Dark HRNet关键点模型和MPII数据集关键点模型
  • 新增人头、车辆跟踪垂类模型。

• 2021.05.20: PaddleDetection发布release/2.1版本

  • 新增关键点检测，模型包括HigherHRNet，HRNet。
  • 新增多目标跟踪能力，模型包括DeepSORT，JDE，FairMOT。
  • 发布PPYOLO系列模型压缩模型，新增ONNX模型导出教程。 =======

• 更多版本发布

upstream/develop

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250+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。

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。

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给我们提issues。

• 欢迎加入PaddleDetection QQ、微信用户群（添加并回复小助手“检测”）

  

套件结构概览

Architectures	Backbones	Components	Data Augmentation
Object Detection Faster RCNN FPN Cascade-RCNN PSS-Det RetinaNet YOLOv3 PP-YOLOv1/v2 PP-YOLO-Tiny PP-YOLOE YOLOX SSD CenterNet FCOS TTFNet TOOD GFL PP-PicoDet DETR Deformable DETR Swin Transformer Sparse RCNN Instance Segmentation Mask RCNN Cascade Mask RCNN SOLOv2 Face Detection BlazeFace Multi-Object-Tracking JDE FairMOT DeepSORT ByteTrack KeyPoint-Detection HRNet HigherHRNet Lite-HRNet PP-TinyPose	Details ResNet(&vd) Res2Net(&vd) CSPResNet SENet Res2Net HRNet Lite-HRNet DarkNet CSPDarkNet MobileNetv1/v3 ShuffleNet GhostNet BlazeNet DLA HardNet LCNet ESNet Swin-Transformer	Common Sync-BN Group Norm DCNv2 EMA KeyPoint DarkPose FPN BiFPN CSP-PAN Custom-PAN ES-PAN HRFPN Loss Smooth-L1 GIoU/DIoU/CIoU IoUAware Focal Loss CT Focal Loss VariFocal Loss Post-processing SoftNMS MatrixNMS Speed FP16 training Multi-machine training	Details Resize Lighting Flipping Expand Crop Color Distort Random Erasing Mixup AugmentHSV Mosaic Cutmix Grid Mask Auto Augment Random Perspective

模型性能概览

云端模型性能对比

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
• PP-YOLOE是对PP-YOLO v2模型的进一步优化，在COCO数据集精度51.6%，Tesla V100预测速度78.1FPS
• YOLOX和YOLOv5均为基于PaddleDetection复现算法
• 图中模型均可在模型库中获取

移动端模型性能对比

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。

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
• PP-PicoDet及PP-YOLO-Tiny为PaddleDetection自研模型，其余模型PaddleDetection暂未提供

模型库

1. 通用检测

PP-YOLOE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	42.7	333.3	链接	下载地址
PP-YOLOE-m	48.6	208.3	链接	下载地址
PP-YOLOE-l	50.9	149.2	链接	下载地址
PP-YOLOE-x	51.9	95.2	链接	下载地址

PP-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	下载地址
PicoDet-S	29.1	9.56	链接	下载地址
PicoDet-M	34.4	17.68	链接	下载地址
PicoDet-L	36.1	25.21	链接	下载地址

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	50.1	107.5	链接	下载地址
YOLOv5-l	48.6	136.0	链接	下载地址

其他通用检测模型 文档链接

2. 实例分割

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 mask AP: 37.5	链接	下载地址
Cascade Mask RCNN	两阶段实例分割算法	云边端	box AP: 45.7 mask AP: 39.7	链接	下载地址
SOLOv2	轻量级单阶段实例分割算法	云边端	mask AP: 38.0	链接	下载地址

3. 关键点检测

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	top-down 关键点检测算法 输入尺寸384x288	云边端	78.3	T4 TensorRT FP16 2.96ms	链接	下载地址
HRNet-w32 + DarkPose	top-down 关键点检测算法 输入尺寸256x192	云边端	78.0	T4 TensorRT FP16 1.75ms	链接	下载地址
PP-TinyPose	轻量级关键点算法 输入尺寸256x192	移动端	68.8	骁龙865 四线程 6.30ms	链接	下载地址
PP-TinyPose	轻量级关键点算法 输入尺寸128x96	移动端	58.1	骁龙865 四线程 2.37ms	链接	下载地址

其他关键点检测模型 文档链接

4. 多目标跟踪PP-Tracking

模型名称	模型简介	推荐场景	精度	配置文件	模型下载
DeepSORT	SDE多目标跟踪算法 检测、ReID模型相互独立	云边端	MOT-17 half val: 66.9	链接	下载地址
ByteTrack	SDE多目标跟踪算法 仅包含检测模型	云边端	MOT-17 half val: 77.3	链接	下载地址
JDE	JDE多目标跟踪算法 多任务联合学习方法	云边端	MOT-16 test: 64.6	链接	下载地址
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	下载地址

其他多目标跟踪模型 文档链接

5. 产业级实时行人分析工具

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	182M
行人检测（轻量级）	16.2ms	目标检测	27M
行人跟踪（高精度）	31.8ms	多目标跟踪	182M
行人跟踪（轻量级）	21.0ms	多目标跟踪	27M
属性识别（高精度）	单人8.5ms	目标检测 属性识别	目标检测：182M 属性识别：86M
属性识别（轻量级）	单人7.1ms	目标检测 属性识别	目标检测：182M 属性识别：86M
摔倒识别	单人10ms	多目标跟踪 关键点检测 基于关键点行为识别	多目标跟踪：182M 关键点检测：101M 基于关键点行为识别：21.8M
闯入识别	31.8ms	多目标跟踪	182M
打架识别	19.7ms	视频分类	90M
抽烟识别	单人15.1ms	目标检测 基于人体id的目标检测	目标检测：182M 基于人体id的目标检测：27M
打电话识别	单人ms	目标检测 基于人体id的图像分类	目标检测：182M 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

文档教程

入门教程

• 安装说明
• 快速体验
• 数据准备
• PaddleDetection全流程使用
• 自定义数据训练
• FAQ/常见问题汇总

进阶教程

• 参数配置

  • RCNN参数说明
  • PP-YOLO参数说明

• 模型压缩(基于PaddleSlim)

  • 剪裁/量化/蒸馏教程

• 推理部署

  • 模型导出教程
  • Paddle Inference部署
    • Python端推理部署
    • C++端推理部署
  • Paddle-Lite部署
  • Paddle Serving部署
  • ONNX模型导出
  • 推理benchmark

• 进阶开发

  • 数据处理模块
  • 新增检测模型
  • 二次开发教程
    • 目标检测
    • 关键点检测
    • 多目标跟踪
    • 行为识别
    • 属性识别

课程专栏

• 【理论基础】目标检测7日打卡营： 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： 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： 城市规划、城市治理、智慧政务、交通管理、社区治理

产业实践范例教程

• 基于PP-PicoDet增强版的路面垃圾检测

• 基于PP-PicoDet的通信塔识别及Android端部署

• 基于Faster-RCNN的瓷砖表面瑕疵检测

• 基于PaddleDetection的PCB瑕疵检测

• 基于FairMOT实现人流量统计

• 基于YOLOv3实现跌倒检测

• 基于人体关键点检测的合规检测

• 打架识别

应用案例

• 安卓健身APP
• 多目标跟踪系统GUI可视化界面

第三方教程推荐

• PaddleDetection在Windows下的部署(一)
• PaddleDetection在Windows下的部署(二)
• Jetson Nano上部署PaddleDetection经验分享
• 安全帽检测YOLOv3模型在树莓派上的部署
• 使用SSD-MobileNetv1完成一个项目--准备数据集到完成树莓派部署

版本更新

版本更新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。

• 感谢Mandroide清理代码并且统一部分函数接口。
• 感谢FL77N贡献Sparse-RCNN模型。
• 感谢Chen-Song贡献Swin Faster-RCNN模型。
• 感谢yangyudong, hchhtc123 开发PP-Tracking GUI界面
• 感谢Shigure19 开发PP-TinyPose健身APP
• 感谢manangoel99贡献Wandb可视化方式

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}
}