目標檢測技術作為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(yè)界YOLO、Anchor Free、Transformer等系列目標檢測算法層出不窮，卻缺乏可以統(tǒng)一、敏捷、組合應用這些先進算法，并支持包括模型壓縮、多端高性能部署等功能實現(xiàn)產業(yè)應用端到端落地的開發(fā)套件。

飛槳目標檢測開發(fā)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(yè)級開發(fā)套件：

• 模型先進且豐富： 230+主流業(yè)界領先模型，10+SOTA及頂會冠軍方案（面向產業(yè)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(yè)制造、安防巡檢、智慧交通等10個以上行業(yè)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，并在服務端、移動端等多種硬件環(huán)境完全打通，助力開發(fā)者快速實現(xiàn)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，并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(yè)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(yè)制造、安防巡檢、智慧交通等10+行業(yè)：

• 實時跟蹤系統(tǒng)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(xiàn)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(lián)合實現(xiàn)，保持模型精度的同時大幅降低模型體積，適配各類硬件環(huán)境

• 全面打通本地化、服務化、移動端部署，并支持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(jié)，以及壓縮與部署策略的小伙伴們請接著往下看

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，當輸入尺寸為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(yōu)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

作為產業(yè)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作為骨架網絡，PP-YOLOv2（R101）的mAP更高達50.3%，并且比同等精度下的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，并且在微小目標場景有卓越效果，助力開發(fā)者高性能實現(xiàn)異常行為識別、智能健身、體感互動游戲、人機交互等任務。

功能全、應用廣

（一）實時跟蹤系統(tǒng)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(jiān)控及密集型場景進行特殊優(yōu)化，并提供人/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(fā)支持

（一）一種蒸餾技術，三種量化策略，五種剪裁方式

為了滿足開發(fā)者對計算量、模型體積、運算速度等極致的追求，PaddleDetection基于飛槳模型壓縮工具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(lián)合策略壓縮方案，大幅減少模型參數或計算量，便于部署在受限的硬件環(huán)境中。

由上表可以看出，量化策略為模型帶來1.7%的精度提升，同時體積壓縮3.71倍，速度提升1.46倍，而采用蒸餾+裁剪的聯(lián)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。

得益于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(fā)者快速在Linux、Windows、NV Jetson等多系統(tǒng)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(tài)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(fā)部署敏捷易用，PaddleDetection期待大家的使用與反饋：

https://github.com/PaddlePaddle/PaddleDetection