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