Русский | 简体中文

Новости продукта

• 2021.11.03: Выпуск версии release/2.3. Выпуск мобильной модели детекции объектов ⚡PP-PicoDet, мобильной модели детекции ключевых точек ⚡PP-TinyPose, системы реального времени отслеживания PP-Tracking. Выпуск моделей детекции объектов, включая Swin-Transformer, TOOD, GFL, выпуск Sniper моделей детекции маленьких объектов и оптимизированной PP-YOLO-EB модели для EdgeBoard. Выпуск мобильной модели детекции ключевых точек Lite HRNet.
• 2021.08.10: Выпуск версии release/2.2. Выпуск моделей детекции объектов на основе Transformer, включая DETR, Deformable DETR, Sparse RCNN. Выпуск моделей детекции ключевых точек, включая DarkHRNet и модель обученной на наборе данных MPII. Выпуск моделей многоклассового отслеживания и многоклассового отслеживания автомобилей.
• 2021.05.20: Выпуск версии release/2.1. Выпуск моделей детекции ключевых точек, включая HigherHRNet и HRNet, моделей многоклассового отслеживания, включая DeepSORT, JDE и FairMOT. Выпуск сжатия моделей для серии PPYOLO. Обновление документов, таких как Экспорт модели ONNX.# Введение

PaddleDetection — это конечное решение для разработки систем детекции объектов на основе PaddlePaddle, которое реализует различные основные алгоритмы детекции объектов, сегментации экземпляров, отслеживания и детекции ключевых точек в модульном дизайне с конфигурируемыми компонентами сети, аугментациями данных и потерями, выпускает множество передовых промышленных практик моделей, интегрирует возможности сжатия моделей и кросс-платформенного высокопроизводительного развертывания, чтобы помочь разработчикам быстрее и лучше работать над всем процессом конечного решения.

PaddleDetection предоставляет возможности изображения обработки, такие как детекция объектов, сегментация экземпляров, многоклассовое отслеживание, детекция ключевых точек и т.д.

Возможности

• Разнообразные модели PaddleDetection предоставляет множество моделей, включая более чем 100 предобученных моделей, таких как детекция объектов, множественная сегментация экземпляров, детекция лиц и т.д. Это охватывает различные схемы победителей мировых конкурсов.

• Высокая гибкость: Компоненты спроектированы так, чтобы быть модульными. Архитектуры моделей, а также конвейеры предварительной обработки данных и стратегии оптимизации могут легко настраиваться простыми изменениями конфигураций.- Готово к использованию в производственной среде: От аугментации данных до построения моделей, обучения, сжатия и развертывания — всё это можно выполнить от начала до конца. Полностью поддерживаются развертывания для облачных и краевых устройств различных архитектур.

• Высокая производительность: Основываясь на высокопроизводительном ядре PaddlePaddle, преимущества скорости обучения и использования памяти очевидны. Поддерживается обучение с использованием 16-битной точности (FP16) и обучение на нескольких машинах.#### Обзор структур набора инструментов

• Общие
• Sync-BN
• Group Norm
• DCNv2
• Non-local

• Ключевые точки
• Heatmap
• Top-down
• Bottom-up
• Center
• Multi-stage Top-down
• Cascade Bottom-up
• Single-stage Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Cascade Top-down
• Cascade Bottom-up
• Parallel Top-down
• Parallel Bottom-up
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Подъем снизу вверх
• Параллельный спуск сверху вниз
• Параллельный подъем снизу вверх
• Спуск сверху вниз
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• Дно-вверх цепочка
• Сверху-вниз параллель
• Дно-вверх параллель
• Сверху-вниз цепочка
• ACFPN

• Функционал потерь
• Smooth-L1
• GIoU/DIoU/CIoU
• IoUAware

• Постобработка
• SoftNMS
• MatrixNMS

• Скорость
• FP16 обучение
• Многомашинное обучение

• Изменение размера
• Освещение
• Отражение
• Размытие
• Обрезка
• Цветовая искаженность
• Случайное удаление
• MixUp
• Мозаика
• CutMix
• GridMask
• Автоматическая аугментация
• Случайный перспективный угол

Связь между COCO mAP и FPS на процессоре Tesla V100 для представительных моделей каждой серверной архитектуры и основ.

ЗАМЕЧАНИЕ:

• CBResNet означает Cascade-Faster-RCNN-CBResNet200vd-FPN, который имеет самый высокий mAP на COCO в размере 53.3%

• Cascade-Faster-RCNN означает Cascade-Faster-RCNN-ResNet50vd-DCN, который был оптимизирован до скорости вывода 20 FPS при mAP COCO 47.8% в моделях PaddleDetection

• PP-YOLO достигает mAP 45.9% на COCO и 72.9 FPS на процессоре Tesla V100. Как точность, так и скорость превышают YOLOv4

• PP-YOLO v2 является оптимизированной версией PP-YOLO, которая имеет mAP 49.5% и 68.9 FPS на процессоре Tesla V100

• Все эти модели доступны в Model Zoo

Связь между COCO mAP и FPS на мобильном процессоре Qualcomm Snapdragon 865 для представительных моделей.

ЗАМЕЧАНИЕ:

• Вся тестовая информация была получена на процессоре Qualcomm Snapdragon 865 (4A77 + 4A55) с размером пакета данных 1 и количеством потоков CPU 4, используя библиотеку NCNN для тестирования. Бенчмарк скрипты доступны на MobileDetBenchmark
• PP-PicoDet и PP-YOLO-Tiny были разработаны и выпущены PaddleDetection, остальные модели не предоставляются в PaddleDetection.

Уроки

Начало работы

• Инструкция по установке

• Подготовка набора данных

• Быстрый старт в PaddleDetection### Продвинутые уроки

• Настройка параметров

  • Настройка параметров для модели RCNN
  • Настройка параметров для модели PP-YOLO

• Оптимизация модели (на основе PaddleSlim)

  • Обрезка/Квантование/Дистилляция
  • Экспорт модели для вывода
  • Paddle Inference
    • Python вывод
    • C++ вывод
  • Paddle-Lite
  • Paddle Serving
  • Экспорт модели ONNX
  • Бенчмарк вывода
  • Новые методы аугментации данных
  • Новые алгоритмы детекции- Универсальное распознавание объектов
  • Библиотека моделей и базовые модели
  • PP-YOLO
  • PP-PicoDet
  • Улучшенная модель без анкеров — TTFNet
  • Мобильные модели
  • Обнаружение объектов с 676 классами
  • Двухэтапная практическая модель PSS-Det
  • Предобученные модели SSLD

• Универсальное сегментирование экземпляров

  • SOLOv2

• Распознавание поворачивающихся объектов

  • S2ANet

• [Распознавание ключевых точек]

  • PP-TinyPose
  • HigherHRNet
  • HRNet
  • LiteHRNet

• [Множественное отслеживание объектов]

  • PP-Tracking
  • DeepSORT
  • JDE
  • FairMOT

• Вертикальные области применения

  • Распознавание лиц
  • Распознавание пешеходов
  • Распознавание автомобилей

• Конкурсы

  • Чемпионская модель Objects365 2019 Challenge
  • Лучшая одиночная модель Open Images 2019-Object Detection## Примеры использования

• Автоматический генератор портретов на тему Рождества

• Пример Android Fitness

Обновления

Подробности об обновлениях см. в разделе журнал изменений.

Лицензия

PaddleDetection распространяется под лицензией Apache 2.0.

Вклады

Конtributionы очень приветствуются, и мы действительно будем признательны за ваш отзыв!!

• Благодарим Mandroide за чистку кода и унификацию некоторых интерфейсов функций.
• Благодарим FL77N за вклад кода модели Sparse-RCNN.
• Благодарим Chen-Song за вклад кода модели Swin Faster-RCNN.
• Благодарим yangyudong и hchhtc123 за вклад графического интерфейса пользователя PP-Tracking.
• Благодарим Shigure19 за вклад приложения для здоровья PP-TinyPose.

Цитирование

@misc{ppdet2019,
title={PaddleDetection, Инструментарий для детекции объектов и сегментации экземпляров на основе PaddlePaddle.},
author={PaddlePaddle Authors},
howpublished = {\url{https://github.com/PaddlePaddle/PaddleDetection}},
year={2019}
}