Библиотека моделей и базовые модели

Тестовая среда

• Python 3.7
• Дневной билд PaddlePaddle
• CUDA 10.1
• cuDNN 7.5
• NCCL 2.4.8

Общие настройки

• Все модели тренировались и тестировались на наборе данных COCO17.
• В случае отсутствия специальных указаний, все ResNet-костяки используют ResNet-B архитектуру.
• Время вывода (fps): время вывода было замерено на одной видеокарте Tesla V100 с помощью tools/eval.py, измеряется в fps (количество изображений в секунду), версия cuDNN — 7.5, включает загрузку данных, выполнение сети и постобработку, размер батча равен 1.

Техники обучения

• Мы используем те же техники обучения, что и Detectron.
• Техника обучения 1x представляет собой начальную скорость обучения 0.01 при общем размере батча 8, которая снижается в 10 раз после 8 и 11 эпох, всего обучение продолжается 12 эпох.
• Техника обучения 2x представляет собой удвоенную технику обучения 1x, со смещением мест изменения скорости обучения также удвоенным.

Предобученные модели ImageNet

Paddle предоставляет предобученные модели костяковых сетей на основе ImageNet. Все предобученные модели были получены путём обучения на стандартном наборе данных Imagenet-1k, ResNet и MobileNet были предобучены с использованием стратегий изменения скорости обучения типа косинус или SSLS переобучения, подробнее можно узнать в PaddleClas.## Базовые модели

Faster R-CNN

См. Faster R-CNN

Mask R-CNN

См. Mask R-CNN

Cascade R-CNN

См. Cascade R-CNN

YOLOv3

См. YOLOv3

SSD

См. SSD

FCOS

См. FCOS

SOLOv2

См. SOLOv2

PP-YOLO

См. PP-YOLO

TTFNet

См. TTFNet

Групповая нормализация

Для подробной информации обратитесь к групповой нормализации

Дифференцируемые свёртки v2

Для подробной информации обратитесь к дифференцируемых свёртках v2

HRNets

Для подробной информации обратитесь к HRNets

Res2Net

Для подробной информации обратитесь к Res2Net

GFL

Для подробной информации обратитесь к GFL

PicoDet

Для подробной информации обратитесь к PicoDet

Обнаружение поворотных рамок### S2ANet

Для получения более подробной информации обратитесь к S2ANet.

Определение ключевых точек

PP-TinyPose

Для получения более подробной информации обратитесь к PP-TinyPose.

HRNet

Для получения более подробной информации обратитесь к HRNet.

HigherHRNet

Для получения более подробной информации обратитесь к HigherHRNet.

Многоклассовое отслеживание объектов

DeepSort

Для получения более подробной информации обратитесь к DeepSort.

JDE

Для получения более подробной информации обратитесь к JDE.

FairMOT

Для получения более подробной информации обратитесь к FairMOT.