不論你需要通用目標(biāo)檢測(cè)、實(shí)例分割、旋轉(zhuǎn)框檢測(cè),還是行人檢測(cè)、人臉檢測(cè)、車(chē)輛檢測(cè)等垂類(lèi)算法;
不論是精度效果超強(qiáng),還是超輕量適合在邊緣部署的算法;
不論你是學(xué)術(shù)科研工作者,還是產(chǎn)業(yè)開(kāi)發(fā)者;
不論你是剛?cè)腴T(mén)的萌新,還是已經(jīng)歷練成為大神;
一個(gè)神器全都滿(mǎn)足你!
這個(gè)項(xiàng)目就是剛剛?cè)嫔?jí)的PaddleDetection2.0!而這個(gè)精心設(shè)計(jì)的開(kāi)源項(xiàng)目,也因?yàn)槭艿綇V大開(kāi)發(fā)者的喜愛(ài),連續(xù)登錄Github全球趨勢(shì)榜多次,高精尖算法PPYOLO論文也登錄全球技術(shù)趨勢(shì)榜PaperWithCode。
傳送門(mén):https://github.com/PaddlePaddle/PaddleDetection
小編在此強(qiáng)烈號(hào)召小伙伴們 Star收藏一下,以防走丟。
語(yǔ)言總是蒼白的,讓我們直接用數(shù)據(jù)和事實(shí)來(lái)帶大家看看這款開(kāi)源項(xiàng)目具體有什么過(guò)人之處吧!
無(wú)需再糾結(jié)YOLOv3、YOLOv4、Scaled YOLOv4、YOLOv5到底選哪個(gè)了,選PPYOLOv2就對(duì)了!最高mAP 50.3%,最高FPS106.5FPS,超越Y(jié)OLOv4甚至YOLOv5!又快又好,他不香么?
論文:https://arxiv.org/abs/2104.10419
需要在AIoT邊緣輕量化芯片部署?1.3M夠不夠小?!比YOLO-Fastest、 NanoDet更強(qiáng)的PPYOLO-Tiny,AI走向產(chǎn)業(yè)無(wú)需再等,趕緊用起來(lái)!
什么?還在用mmdetection和Detectron2?你Out了!RCNN系列模型(Faster RCNN, Mask RCNN, Cascade RCNN等)在PaddleDetection進(jìn)行訓(xùn)練,比mmDetection和Detectron2在更短的時(shí)間獲得更高的精度!
連檢測(cè)框都不要了?莫慌,PaddleDetection2.0帶你緊跟全球科研動(dòng)向。SOTA(最先進(jìn))的Anchor Free算法:PAFNet(Paddle Anchor Free)& PAFNet-Lite,從理論到直接使用,保證把你安排的明明白白!
除了以上全系列通用目標(biāo)檢測(cè)算法外,PaddleDetection2.0還額外覆蓋旋轉(zhuǎn)框檢測(cè)、實(shí)例分割、行人檢測(cè)、人臉檢測(cè)、車(chē)輛檢測(cè)等垂類(lèi)任務(wù)。
還覆蓋工業(yè)質(zhì)檢、安防巡檢、衛(wèi)星遙感、能源電力等等數(shù)十個(gè)行業(yè)場(chǎng)景,直接加速各產(chǎn)業(yè)智能化升級(jí)!
全面支持pip安裝,動(dòng)態(tài)圖開(kāi)發(fā),壓縮、部署等全流程方案打通,極大程度的提升了用戶(hù)開(kāi)發(fā)的易用性,加速了算法產(chǎn)業(yè)應(yīng)用落地的速度。
以YOLOv3-MobileNetv1模型為例,量化策略為模型帶來(lái)1.7%的精度提升,同時(shí)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(wú)損的情況下,體積壓縮了3.05倍,加速1.58倍!
適配Linux、Windows、NV Jetson等多系統(tǒng)多平臺(tái),同時(shí)提供Python預(yù)測(cè)和C++預(yù)測(cè),額外適配TensorRT,支持TensorRT動(dòng)態(tài)尺寸輸入及TensorRT INT8量化預(yù)測(cè), 模型預(yù)測(cè)加速性能滿(mǎn)分!
精心打造的中英雙語(yǔ)文檔,從安裝、數(shù)據(jù)準(zhǔn)備到訓(xùn)練、評(píng)估、預(yù)測(cè)全流程,親媽一樣關(guān)心你使用產(chǎn)品時(shí)的每一個(gè)細(xì)節(jié)。
聯(lián)系客服