GitHub 5-9K 的年度開源項目來了!目標檢測、跟蹤、關鍵點全覆蓋
目標檢測技術作爲計算機視覺的基礎核心,支撐了包括人臉識別、目標跟蹤、關鍵點檢測、圖像搜索等等 70% 以上視覺任務。雖然業界 YOLO、Anchor Free、Transformer 等系列目標檢測算法層出不窮,卻缺乏可以統一、敏捷、組合應用這些先進算法,並支持包括模型壓縮、多端高性能部署等功能實現產業應用端到端落地的開發套件。
飛槳目標檢測開發套件 PaddleDetection 就是這樣一個模型先進且豐富、任務覆蓋全面、端到端能力完備的產業級開發套件:
-
模型先進且豐富:** 230+** 主流業界領先模型,**10+**SOTA 及頂會冠軍方案(面向產業應用的高性能算法)
-
任務覆蓋全面:全面覆蓋目標檢測、實例分割、目標跟蹤、關鍵點檢測任務領域,以及工業製造、安防巡檢、智慧交通等 10 個以上行業領域。
-
端到端能力完備:全面覆蓋前沿模型壓縮,量化、剪枝、蒸餾、檢測結構搜索方法,並在服務端、移動端等多種硬件環境完全打通,助力開發者快速實現高性能部署。
⭐ 項目鏈接 ⭐
https://github.com/PaddlePaddle/PaddleDetection
PaddleDetection 所有源碼及教程均已開源,歡迎大家使用,並 Star 鼓勵~
性能卓越
算法全面升級
230 + 主流目標檢測、實例分割、跟蹤、關鍵點檢測算法組成全明星陣容,囊括多種 SOTA 算法及冠軍方案:
-
0.99M、 150FPS 輕量級 SOTA 檢測算法 PP-PicoDet
-
超越 YOLOv4、YOLOv5 的工業級 SOTA 模型 PP-YOLOv2
-
122FPS、51.8%AP 的輕量級 SOTA 多人關鍵點檢測算法 PP-TinyPose
功能全面覆蓋
100 + 垂類預訓練模型,應用場景覆蓋工業製造、安防巡檢、智慧交通等 10 + 行業:
-
實時跟蹤系統 PP-Tracking,一網打盡單 / 多鏡頭下的行人車輛跟蹤能力
-
覆蓋旋轉框檢測、實例分割、行人檢測、人臉檢測、車輛檢測等垂類任務
易用性全面提升
多種前沿壓縮策略、靈活高效的部署支持,全方位助力算法實現高性能的壓縮與部署:
-
一種蒸餾技術,三種量化策略,五種剪裁方式,支持策略聯合實現,保持模型精度的同時大幅降低模型體積,適配各類硬件環境
-
全面打通本地化、服務化、移動端部署,並支持 Python、C++ 的部署語言及 TensorRT 的加速
想要了解詳細算法性能、功能細節,以及壓縮與部署策略的小夥伴們請接着往下看
更快更強的 PP 系列
明星算法
**(一)0.99M、 150FPS 輕量級 SOTA 檢測算法 PP-PicoDet
**
PP-PicoDet 一共有三種尺寸,其中 PP-PicoDet-S 參數量僅有 0.99M,卻有 30.6%mAP 的精度,當輸入尺寸爲 320 時,推理速度甚至可達 150FPS,**不僅 mAP 比 YOLOX-Nano 高 4.8%,端側推理速度還提升了 55%,相比 NanoDet-M-Plus-1.5x,體積少 13.5%,速度快 14%,mAP 高 0.7%。**而 PP-PicoDet-L 則在僅有 3.3M 參數量的情況下 mAP 達到 40.9%,**比 YOLOv5s 高 3.7%,推理速度提升 44%。**PP-PicoDet 也在不斷優化中,請大家敬請期待。
(二)性能超越 YOLOv4、YOLOv5 的高精度檢測算法 PP-YOLOv2
作爲產業級 SOTA 模型,PP-YOLOv2(R50)mAP 達到了 49.5%, FPS 高達 106.5FPS,超越了 YOLOv4 甚至 YOLOv5,而如果使用 RestNet101 作爲骨架網絡,PP-YOLOv2(R101)的 mAP 更高達 50.3%,並且比同等精度下的 YOLOv5x 快 15.9%。
(三)122FPS、51.8%AP 的輕量級 SOTA 多人關鍵點檢測算法 PP-TinyPose
PP-TinyPose 在單人和多人場景均達到性能 SOTA,同時對檢測人數無上限,並且在微小目標場景有卓越效果,助力開發者高性能實現異常行爲識別、智能健身、體感互動遊戲、人機交互等任務。
功能全、應用廣
(一)實時跟蹤系統 PP-Tracking,一網打盡各類跟蹤能力
功能覆蓋單、多鏡頭下的行人車輛跟蹤,支持 10 + 種不同類別的目標同時跟蹤,針對小目標、航拍監控及密集型場景進行特殊優化,並提供人 / 車流量去重計數應用。
(二)覆蓋旋轉框檢測、實例分割、行人檢測、人臉檢測、車輛檢測等垂類任務。
易用性更高的
全流程開發支持
(一)一種蒸餾技術,三種量化策略,五種剪裁方式
爲了滿足開發者對計算量、模型體積、運算速度等極致的追求,PaddleDetection 基於飛槳模型壓縮工具 PaddleSlim 支持了多種模型壓縮能力,包括剪裁,量化,蒸餾以及剪裁 + 蒸餾****聯合策略壓縮方案,大幅減少模型參數或計算量,便於部署在受限的硬件環境中。
由上表可以看出,量化策略爲模型帶來 1.7% 的精度提升,同時體積壓縮 3.71 倍,速度提升 1.46 倍,而採用蒸餾 + 裁剪的聯合策略,在精度幾乎無損的情況下,體積壓縮了 3.05 倍,加速 1.58 倍。
(二)靈活高效的部署方式,打通本地化、服務化、移動端的部署,支持 Python、C++ 的部署語言及 TensorRT 的加速。
得益於飛槳預測庫系列產品飛槳原生推理庫 Paddle Inference、飛槳輕量化推理引擎 Paddle Lite 和飛槳服務化部署框架 Paddle Serving 的能力,PaddleDetection 支持開發者快速在 Linux、Windows、NV Jetson 等多系統多平臺進行算法部署,同時提供了 Python 預測和 C++ 預測兩種方式,覆蓋主流檢測、跟蹤及關鍵點檢測算法。另外支持 TensorRT 動態尺寸輸入及 TensorRT INT8 量化預測, 全面支持用戶進行硬件加速。
算法性能強勁、功能豐富全面、開發部署敏捷易用,PaddleDetection 期待大家的使用與反饋:
https://github.com/PaddlePaddle/PaddleDetection
本文由 Readfog 進行 AMP 轉碼,版權歸原作者所有。
來源:https://mp.weixin.qq.com/s/dTPIo9byrVrSKXzyB2hpVQ