Python社区  »  Git

GitHub 5.9K的年度开源项目来了!目标检测、跟踪、关键点全覆盖

OSC开源社区 • 1 周前 • 22 次点击  


目标检测技术作为计算机视觉的基础核心,支撑了包括人脸识别、目标跟踪、关键点检测、图像搜索等等70%以上视觉任务。虽然业界YOLO、Anchor Free、Transformer等系列目标检测算法层出不穷,却缺乏可以统一、敏捷、组合应用这些先进算法,并支持包括模型压缩、多端高性能部署等功能实现产业应用端到端落地的开发套件。


飞桨目标检测开发套件PaddleDetection就是这样一个模型先进且丰富、任务覆盖全面、端到端能力完备的产业级开发套件:

  • 模型先进且丰富: 230+主流业界领先模型,10+SOTA及顶会冠军方案(面向产业应用的高性能算法)
  • 任务覆盖全面:全面覆盖目标检测、实例分割、目标跟踪、关键点检测任务领域,以及工业制造、安防巡检、智慧交通等10个以上行业领域。
  • 端到端能力完备:全面覆盖前沿模型压缩,量化、剪枝、蒸馏、检测结构搜索方法,并在服务端、移动端等多种硬件环境完全打通,助力开发者快速实现高性能部署。


⭐ 项目链接 ⭐

https://github.com/PaddlePaddle/PaddleDetection


PaddleDetection所有源码及教程均已开源,欢迎大家使用,并Star鼓励~



性能卓越

算法全面升级



230+主流目标检测、实例分割、跟踪、关键点检测算法组成全明星阵容,囊括多种SOTA算法及冠军方案:

  • 0.99M、 150FPS轻量级SOTA检测算法PP-PicoDet

  • 超越YOLOv4、YOLOv5的工业级SOTA模型PP-YOLOv2

  • 122FPS、51.8%AP的轻量级SOTA多人关键点检测算法PP-TinyPose





功能全面覆盖



100+垂类预训练模型,应用场景覆盖工业制造、安防巡检、智慧交通等10+行业:
  • 实时跟踪系统PP-Tracking,一网打尽单/多镜头下的行人车辆跟踪能力

  • 覆盖旋转框检测、实例分割、行人检测、人脸检测、车辆检测等垂类任务

 



易用性全面提升



多种前沿压缩策略、灵活高效的部署支持,全方位助力算法实现高性能的压缩与部署:
  • 一种蒸馏技术,三种量化策略,五种剪裁方式,支持策略联合实现,保持模型精度的同时大幅降低模型体积,适配各类硬件环境

  • 全面打通本地化、服务化、移动端部署,并支持Python、C++的部署语言及TensorRT的加速


想要了解详细算法性能、功能细节,以及压缩与部署策略的小伙伴们请接着往下看


更快更强的PP系列

明星算法




(一)0.99M、 150FPS轻量级SOTA检测算法PP-PicoDet




PP-PicoDet一共有三种尺寸,其中PP-PicoDet-S参数量仅有0.99M,却有30.6%mAP的精度,当输入尺寸为320时,推理速度甚至可达150FPS,不仅mAP比YOLOX-Nano高4.8%,端侧推理速度还提升了55%,相比NanoDet-M-Plus-1.5x,体积少13.5%,速度快14%,mAP高0.7%。而PP-PicoDet-L则在仅有3.3M参数量的情况下mAP达到40.9%,比YOLOv5s高3.7%,推理速度提升44%。PP-PicoDet也在不断优化中,请大家敬请期待。

(二)性能超越YOLOv4、YOLOv5的高精度检测算法PP-YOLOv2



作为产业级SOTA模型,PP-YOLOv2(R50)mAP达到了49.5%, FPS高达106.5FPS,超越了YOLOv4甚至YOLOv5,而如果使用RestNet101作为骨架网络,PP-YOLOv2(R101)的mAP更高达50.3%,并且比同等精度下的YOLOv5x快15.9%。

(三)122FPS、51.8%AP的轻量级SOTA多人关键点检测算法PP-TinyPose





PP-TinyPose在单人和多人场景均达到性能SOTA,同时对检测人数无上限,并且在微小目标场景有卓越效果,助力开发者高性能实现异常行为识别、智能健身、体感互动游戏、人机交互等任务。


功能全、应用广



(一)实时跟踪系统PP-Tracking,一网打尽各类跟踪能力



功能覆盖单、多镜头下的行人车辆跟踪,支持10+种不同类别的目标同时跟踪,针对小目标、航拍监控及密集型场景进行特殊优化,并提供人/车流量去重计数应用。

(二)覆盖旋转框检测、实例分割、行人检测、人脸检测、车辆检测等垂类任务。









易用性更高的

全流程开发支持



(一)一种蒸馏技术,三种量化策略,五种剪裁方式



为了满足开发者对计算量、模型体积、运算速度等极致的追求,PaddleDetection基于飞桨模型压缩工具PaddleSlim支持了多种模型压缩能力,包括剪裁,量化,蒸馏以及剪裁+蒸馏联合策略压缩方案,大幅减少模型参数或计算量,便于部署在受限的硬件环境中。


由上表可以看出,量化策略为模型带来1.7%的精度提升,同时体积压缩3.71倍,速度提升1.46倍 ,而采用蒸馏+裁剪的联合策略,在精度几乎无损的情况下,体积压缩了3.05倍,加速1.58倍


(二)灵活高效的部署方式,打通本地化、服务化、移动端的部署,支持Python、C++的部署语言及TensorRT的加速。


得益于飞桨预测库系列产品飞桨原生推理库Paddle Inference、飞桨轻量化推理引擎Paddle Lite和飞桨服务化部署框架Paddle Serving的能力,PaddleDetection支持开发者快速在Linux、Windows、NV Jetson等多系统多平台进行算法部署,同时提供了Python预测和C++预测两种方式,覆盖主流检测、跟踪及关键点检测算法。另外支持TensorRT动态尺寸输入及TensorRT INT8量化预测, 全面支持用户进行硬件加速。

算法性能强劲、功能丰富全面、开发部署敏捷易用,PaddleDetection期待大家的使用与反馈:
https://github.com/PaddlePaddle/PaddleDetection


END



看你有没有被Cue到?


觉得不错,请点个在看

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/125843
 
22 次点击  
分享到微博