超越YOLOv5!0.7M超轻量,又好又快!这个目标检测开源项目全面升级!

2022 年 4 月 15 日 CVer

目标检测作为计算机视觉领域的顶梁柱,不仅可以独立完成车辆、商品、缺陷检测等任务,也是人脸识别、视频分析、以图搜图等复合技术的核心模块,在自动驾驶、工业视觉、安防交通等领域的商业价值有目共睹。


正因如此,YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷,各有优劣侧重。而在当前云、边、端多场景协同的产业大趋势下,运行速度、模型计算量、模型格式转化、硬件适配、统一部署方案等实际问题都需要考虑,到底该怎么选呢?


今天小编就给大家推荐一个,针对云、边、端各环境都深层优化的超强目标检测开发套件 — PaddleDetection。无论你追求的是高精度、轻量化,还是场景预训练模型,它其中的模型都能以业界最高标准满足你的需求。同时,这些模型都拥有统一的使用方式及部署策略,不再需要进行模型转化、接口调整,更贴合工业大生产标准化、模块化的需求!



还在等什么!赶紧查看全部开源代码并Star收藏吧!!
传送门: https://github.com/PaddlePaddle/PaddleDetection



下面,让我们来详细解读下这个开发套件中的模型,是如何达到业界最高标准,又如何提供产业最佳实践体验的!


PP-YOLOE:

高精度SOTA目标检测模型


PP-YOLOE根据不同应用场景设计了s/m/l/x,4个尺寸的模型来支持不同算力水平的硬件,无论是哪个尺寸,精度-速度都超越当前所有同等计算量下的YOLO模型!


  • 性能卓越具体来说,PP-YOLOE-l在COCO test-dev上以精度51.4%,TRT FP16推理速度149FPS的优异数据,相较YOLOX,精度提升1.3%,加速25%;相较YOLOv5,精度提升0.7%,加速26.8%。训练速度较PP-YOLOv2提高33%,大幅降低模型训练成本。

  • 部署友好与此同时,PP-YOLOE在结构设计上避免使用如deformable convolution或者matrix nms之类的特殊算子,使其能轻松适配更多硬件。当前已经完备支持NVIDIA V100、T4这样的云端GPU架构以及如Jetson系列等边缘端GPU和FPGA开发板。


PP-YOLOE完整代码实现:

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe

技术报告:

https://arxiv.org/abs/2203.16250


PP-PicoDet:

0.7M超超超轻量SOTA目标检测模型


超乎想象的超小体积及超预期的性能,使PP-PicoDet成为边缘、低功耗硬件部署的最佳选择。


  • 更强性能PP-PicoDet-S参数量仅有1.18M,却有32.5%mAP的精度,不仅精度比相较YOLOX-Nano高6.7%,推理速度还提升了26%;相较比NanoDet-Plus,mAP也高出了2%,速度提升30%。最新增加的PP-PicoDet-XS更是仅有0.7M,在CPU上预测速度可达250FPS以上,在训练速度上也大幅提升一倍以上。

  • 更好优化支持考虑到端侧对计算量的优化追求是极致的,PP-PicoDet在模型量化训练和稀疏化压缩方案支持方面做了更深度的打磨,仅需两步,即可实现在移动端部署加速30%以上的效果。


  • 更友好部署为了部署更加轻松高效, PP-PicoDet在模型导出环节, 将模型的后处理包含在了网络中,支持预测直接输出检测结果,无需额外开发后处理模块,还能端到端加速10%-20%。


PP-PicoDet代码实现:

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/picodet
技术报告地址:

https://arxiv.org/abs/2111.00902


更多开源社区优秀算法

统一、极致的开发体验



PaddleDetection还第一时间收录了如YOLOv4、YOLOX及SwinTransformer等在内的前沿优秀算法,与Faster-RCNN、YOLOv3等经典算法一同,为用户提供极致简单、统一的使用方式, 且得益于飞桨原生推理库Paddle Inference及飞桨端侧推理框架Paddle Lite的能力,通过支持TensorRTOpenVino开发者可以快速完成在服务端和边缘端GPU或ARM CPU、NPU等硬件上的高性能加速部署。此外,PaddleDetection还支持一键导出为ONNX格式,顺畅对接ONNX生态。


以上所有模型、代码及使用文档、Demo均在PaddleDetection中开源提供,从此无需再内卷,通用目标检测,这一个项目就够了!


赶紧Star收藏订阅最新动态吧!

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4


直播课预告

为了让开发者们更深入的了解PaddleDetection这次的全新模型,解决落地应用难点,掌握产业实践的核心能力,飞桨团队精心准备了精品直播课!


( 扫码报名直播课,加入技术交流群)


4月19日20:30,百度资深高工将为我们详细介绍超强检测矩阵,对各类型SOTA模型的原理及使用方式进行拆解,之后两天还有检测拓展应用梳理及产业案例全流程实操,对各类痛难点解决方案进行手把手教学,加上直播现场互动答疑,还在等什么!抓紧扫码上车吧!



点击阅读原文,即可报名学习!

登录查看更多
1

相关内容

专知会员服务
17+阅读 · 2021年4月24日
Google-EfficientNet v2来了!更快,更小,更强!
专知会员服务
18+阅读 · 2021年4月4日
专知会员服务
31+阅读 · 2020年4月24日
专知会员服务
109+阅读 · 2020年3月12日
抢鲜看!13篇CVPR2020论文链接/开源代码/解读
专知会员服务
49+阅读 · 2020年2月26日
工业级SOTA模型PP-YOLOv2的Pytorch实现
极市平台
2+阅读 · 2022年1月8日
1500+ FPS!目前最快的CNN人脸检测算法开源
极市平台
25+阅读 · 2019年3月15日
Github 项目推荐 | YOLOv3 的最小化 PyTorch 实现
AI研习社
25+阅读 · 2018年5月31日
YOLO升级到v3版,检测速度比R-CNN快1000倍
人工智能头条
10+阅读 · 2018年3月28日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Referring Image Matting
Arxiv
0+阅读 · 2022年6月10日
Arxiv
0+阅读 · 2022年6月9日
Arxiv
0+阅读 · 2022年6月6日
VIP会员
相关基金
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员