🔥 Превосходя YOLOv8, Paddle предлагает RT-DETR, самый точный детектор в реальном времени!

Статья о расшифровке RT-DETR доступна по ссылке:

«Превосходя YOLOv8, Paddle представляет RT-DETR, самый точный детектор в реальном времени!» Код передачи: RT-DETR (https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/rtdetr).

⚡️Быстрое начало / docs/paddlex/quick_start.md 🔥Низкокодовое полномасштабное развитие / docs/paddlex/overview.md 👫Сообщество с открытым исходным кодом: — 🏅️ Вклад сообщества: PaddleDetection приветствует вас присоединиться к разработке сообщества Paddle, способы участия можно найти в руководстве по разработке с открытым исходным кодом. — 🎈 Недавние мероприятия сообщества. ✨ Основные характеристики: 🧩 Модульная конструкция: PaddleDetection разделяет детекторы на различные модули, позволяя пользователям легко и эффективно создавать детекторы. 📱 Богатая библиотека моделей: PaddleDetection поддерживает множество современных алгоритмов и предварительно обученных моделей, охватывающих 2D/3D обнаружение целей, сегментацию экземпляров, обнаружение лиц, обнаружение ключевых точек, многоцелевое отслеживание, полу-контролируемое обучение и другие направления. 🎗️ Отраслевые модели и инструменты: PaddleDetection создаёт отраслевые модели и аналитические инструменты, такие как PP-YOLOE+, PP-PicoDet, PP-TinyPose, PP-HumanV2, PP-Vehicle и т. д., предоставляя оптимизированные решения для общих и высокочастотных приложений и интегрированные аналитические инструменты. Это снижает затраты разработчиков на эксперименты и выбор, а также ускоряет внедрение в бизнес-сценарии. 💡🏆 Отраслевая практика развёртывания: PaddleDetection собирает примеры применения ИИ в промышленности, сельском хозяйстве, лесном хозяйстве, транспорте, медицине, финансах, энергетике и электроэнергетике, обеспечивая полный процесс от маркировки данных до обучения и оптимизации моделей и заканчивая прогнозированием и развёртыванием. Это постоянно снижает порог внедрения технологий обнаружения целей в отрасли.

🍱 Установка: следуйте инструкциям по установке в /docs/tutorials/INSTALL_cn.md.

🔥 Учебники:

• Введение в глубокое обучение: https://www.paddlepaddle.org.cn/tutorials/projectdetail/4676538;
• Введение в обнаружение целей: https://aistudio.baidu.com/aistudio/education/group/info/1617.
• Быстрый старт: /docs/tutorials/QUICK_STARTED_cn.md;
• Пример: 30-минутная разработка детектора дорожных знаков: /docs/tutorials/GETTING_STARTED_cn.md.
• Подготовка данных: /docs/tutorials/data/README.md;
• Модуль обработки данных: /docs/advanced_tutorials/READER.md.
• Описание параметров RCNN: /docs/tutorials/config_annotation/faster_rcnn_r50_fpn_1x_coco_annotation.md.
• Параметры PP-YOLO: /docs/tutorials/config_annotation/ppyolo_r50vd_dcn_1x_coco_annotation.md.
• Разработка новых моделей: /docs/advanced_tutorials/MODEL_TECHNICAL.md.
• Вторичная разработка:
  • Обнаружение целей: /docs/advanced_tutorials/customization/detection.md.
  • Обнаружение ключевых точек: /docs/advanced_tutorials/customization/keypoint_detection.md.
  • Многоцелевое отслеживание: /docs/advanced_tutorials/customization/pphuman_mot.md.
  • Распознавание действий: /docs/advanced_tutorials/customization/action_recognotion/.
  • Атрибутивное распознавание: /docs/advanced_tutorials/customization/pphuman_attribute.md. Развёртывание модели:
• Экспорт модели: /deploy/EXPORT_MODEL.md.
• Сжатие модели: https://github.com/PaddlePaddle/PaddleSlim.
• Развёртывание Paddle Inference: Превосходя все методы без привязки и приближаясь к самым передовым двухэтапным моделям с привязкой. Сохраняя высокую точность, PP-YOLOE-R избегает использования специальных операторов, таких как деформируемая свёртка или повёрнутое выравнивание ROI, что позволяет легко развёртывать его на разнообразном оборудовании.

Ссылка: Объяснение PP-YOLOE-R (configs/rotate/ppyoloe_r).

Ссылка: arXiv论文 (https://arxiv.org/abs/2211.02386).

Модель	Backbone	mAP	V100 TRT FP16 (FPS)	RTX 2080 Ti TRT FP16 (FPS)	Параметры (M)	FLOPs (G)	Стратегия обучения	Представление угла	Расширение данных	Количество GPU	Количество изображений на GPU	Ссылка для загрузки модели	Ссылка на файл конфигурации
PP-YOLOE-R-l	CRN-l	80.02	69.7	48.3	53.29	281.65	3x	oc	MS+RR	4	2	Модель (https://paddledet.bj.bcebos.com/models/ppyoloe_r_crn_l_3x_dota_ms.pdparams)	Конфигурация (https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/rotate/ppyoloe_r/ppyoloe_r_crn_l_3x_dota_ms.yml)

Ссылка: Все предварительно обученные модели (configs/rotate/ppyoloe_r). PP-YOLOE-R: Вращающиеся рамки

PP-YOLOE-R — это инструмент для обнаружения вращающихся рамок. Он позволяет повысить точность данных позвоночника до 95 mAP за 10 минут.

Подробнее о PP-YOLOER (https://aistudio.baidu.com/aistudio/projectdetail/5058293)

Скачать (https://aistudio.baidu.com/aistudio/projectdetail/5058293).

💎 PP-YOLOE-SOD: Высокоточная модель обнаружения малых целей

PP-YOLOE-SOD (Small Object Detection) — это модель обнаружения, разработанная командой PaddleDetection для малых целей. На наборе данных VisDrone-DET она достигает точности в 38,5 mAP и является одной из лучших моделей на данный момент. Модель основана на двух подходах: оптимизации процесса обрезки и объединения изображений и алгоритмической оптимизации модели на основе исходного изображения. Также предоставляется скрипт автоматического анализа набора данных, который помогает определить, подходит ли набор данных для модели обнаружения малых целей и нужна ли обрезка. Кроме того, скрипт предоставляет рекомендуемые значения гиперпараметров сети.

Переходите: модель PP-YOLOE-SOD (configs/smalldet).

Предварительно обученные модели

Модель	COCOAPI mAPval 0,5:0,95	COCOAPI mAPval 0,5	COCOAPI mAPtest_dev 0,5:0,95	COCOAPI mAPtest_dev 0,5	MatlabAPI mAPtest_dev 0,5:0,95	MatlabAPI mAPtest_dev 0,5	Скачать	Конфигурационный файл
PP-YOLOE+_SOD-l	31,9	52,1	25,6	43,5	30,25	51,18	Скачать (https://paddledet.bj.bcebos.com/models/ppyoloe_plus_sod_crn_l_80e_visdrone.pdparams)	Конфигурационный файл (visdrone/ppyoloe_plus_sod_crn_l_80e_visdrone.yml)

Перейти: все предварительно обученные модели (configs/smalldet).

Примеры применения в промышленности

Отрасль	Категория	Особенности	Документация	Скачать модель
Универсальная	Обнаружение малых целей	Беспилотный летательный аппарат для аэрофотосъёмки с использованием PP-YOLOE-SOD	Обнаружение беспилотного летательного аппарата для аэрофотосъёмки (https://aistudio.baidu.com/aistudio/projectdetail/5036782)	Скачать (https://aistudio.baidu.com/aistudio/projectdetail/5036782)

💫 PP-PicoDet: Сверхлёгкая модель обнаружения целей в реальном времени

Серия новых лёгких моделей PP-PicoDet обеспечивает превосходную производительность на мобильных устройствах и становится новым стандартом для лёгких моделей.

Перейдите: описание PP-PicoDet (configs/picodet/README.md).

arXiv: статья (https://arxiv.org/abs/2111.00902).

Предварительно обученные модели | Модель | COCO точность (mAP) | Скорость четырёх потоков на процессоре Helio X30 (FPS) | Рекомендуемое оборудование | | Задача | Точность | Сервер | Модель | Размер модели | | --- | --- | --- | --- | --- | | Обнаружение транспортных средств (высокая точность) | 38,9 | Сервер | Целевое обнаружение | 182 Мбайт | | Отслеживание транспортных средств (высокая точность) | 25 | Сервер | Многоцелевое отслеживание | 182 Мбайт | | Распознавание автомобильных номеров | 213,7 | Сервер | Распознавание номеров и распознавание символов в номерах | Распознавание номера: 3,9 Мбайт
Распознавание символов: 12 Мбайт | | Определение характеристик автомобиля | 136,8 | Сервер | Определение характеристик | 7,2 Мбайта |