說到目標檢測，那可謂當前的自動駕駛、新零售、智慧工業等熱門行業中的關鍵技術之一。目標檢測不僅在行人、車輛、商品以及火災檢測等任務中發揮著極其關鍵的價值，在目標跟蹤、姿態識別、手勢控制、圖像搜索等復合任務中也至關重要。
注*：以上視頻引用于公開數據集[1]
圖1 PaddleDetection產業應用效果示例
而在當前端側智能、端云協同的行業發展趨勢下，算法在移動端的部署應用則顯得尤其重要。相較于統一的中心化處理，智能終端可以更好的適應差異化的環境，運維成本也更低。然而開發一個高質量的輕量目標檢測模型卻并不那么容易，現實環境中往往存在諸多挑戰：
速度要快。比如工業視覺質量檢測、自動駕駛等實時場景，延遲可以接受的范圍往往需要在毫秒級別，要求極其嚴苛。
精度要高。在自動駕駛、火災檢測等場景，一個微小的錯誤都可能帶來嚴重的損失，對誤檢、漏檢的容忍度非常低。
體積要小。在手機端、車載、IOT等邊緣端部署，算力和內存都有限，算法需要做到極致壓縮。
部署環境復雜多樣。硬件設備功耗、規格各色各樣。適配和部署成本簡直不要太大！
而今天介紹的最新開源的輕量級目標檢測PP-PicoDet正是為了解決以上痛難點問題，針對模型的速度、精度和部署友好性做出優化，并取得了顯著的成果。
其系列中的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，mAP也高出了7.1%。
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%。
注*：以上圖片引用于報告[2]
圖2 PP-PicoDet性能對比圖
注*：GIF中FPS是包含前處理、預測、后處理的端到端耗時，以上視頻引用于公開數據集[1]
圖3 PP-PicoDet移動端和不同模型效果對比
不僅如此，在此次飛槳目標檢測開發套件PaddleDetection v2.3推出的多目標實時跟蹤系統PP-Tracking和超輕量人體關鍵點模型PP-TinyPose中，PP-PicoDet也是極其關鍵的技術模塊。甚至在近日引起業界廣泛關注的通用圖像識別系統PP-ShiTu中，PP-PicoDet也被用作主體檢測模塊，以超輕量的體積實現了超越服務端大模型的效果！
話不多說，直接奉上開源代碼實現：
https://github.com/PaddlePaddle/PaddleDetection
強烈建議各位Star收藏，深入研究使用。
PP-PicoDet技術報告地址：
https://arxiv.org/abs/2111.00902
PP-PicoDet Android APP下載體驗指路：
https://paddledet.bj.bcebos.com/deploy/third_engine/PP-PicoDet.apk
（如鏈接不能正常訪問，可復制到瀏覽器進行下載）
下面，就讓我們來一起看看具體都有哪些優化策略，讓PP-PicoDet又小又快又準：
更高性能的骨干網絡
一個高性能的骨干網絡對目標檢測模型的性能提升有著至關重要的作用，PP-PicoDet采用了百度自研的超輕量、高精度骨干網絡--ESNet(Enhanced ShuffleNet)，使得整個目標檢測模型不僅計算量更小、延遲更低、精度更高，同時還擁有更好的魯棒性，能夠更好地適配多種硬件環境。
ESNet是在ShuffleNetV2的基礎上引入了SE模塊和GhostNet中的Ghost模塊，并新增深度可分離卷積，對不同通道信息進行融合來提升模型精度，同時還使用神經網絡搜索(NAS)搜索更高效的模型結構，進一步提升模型性能，最終得到了在精度、速度全方面提升的骨干網絡。
注*：以上圖片和數據引用于報告[2]
圖4 ESNet & ShuffleNetV2性能對比
更輕量的Neck和Head
在Neck部分，PP-PicoDet提出了CSP-PAN結構，使用1*1的卷積將特征的通道數與BackBone輸出的最小通道數進行統一，從而減少計算量，并保證特征融合性能不受影響。此外，PP-PicoDet還在CSP-PAN的基礎上再下采樣一次，添加一個更小的特征尺度來提升大物體的檢測效果(見下圖P6分支)。
與此同時，PP-PicoDet在Neck和Head部分均采用深度可分離卷積，將3 x 3卷積核增大至5×5，來增大感受野，還保持了速度不變。并且PP-PicoDet采用了通道數和Neck一致的“耦合頭”，相比于小通道數的“解耦頭”有更快的預測速度。
注*：以上圖片和數據引用于報告[2]
圖5 PP-PicoDet整體架構示意圖
更精準的采樣策略
PP-PicoDet受到YOLOX等優秀算法的啟發，使用了更精準的SimOTA采樣策略，隨訓練過程動態變換標簽分配方式，通過在目標區域采集高質量的樣本來有效加速模型收斂。在此基礎上對其中的cost矩陣計算進行改造，使用VFL+GIoU替代原本的CELoss+IoU，在速度無損的情況下還能有效提升1%的精度。
除此之外，PP-PicoDet還使用了H-Swish激活函數替代Relu；使用Cosine學習率衰減策略；使用Cycle-EMA；加入少量的如Crop、Flip、Multi-Scale等數據增強策略進行更穩定的訓練，使得模型精度再次提升3%。
下面就讓我們一起看看以上這一系列優化策略的最終效果，從中可以看到：無論是精度還是速度，PP-PicoDet都表現卓越！
注*：測試設備為驍龍865，Threads=4，FP16，NCNN（Paddle Lite測試結果為*），以上圖片和數據引用于報告[2]
圖6 PP-PicoDet在COCO上和其他輕量級檢測器性能試驗對比
更完備的部署支持
作為真正的產業級開發利器，PaddleDetection通過完備支持飛槳原生推理庫Paddle Inference、飛槳輕量化推理引擎Paddle Lite，使開發者可以快速在主流服務器、端側芯片上實現高性能部署。
并且支持快速導出為ONNX格式，使開發者可以通過ONNX生態能力進行更廣泛的算法部署應用，可以通過自己熟悉的移動端引擎進行PP-PicoDet的部署和推理。
除此以外，還提供OpenVINO加速部署方案、Android Demo，并且所有流程代碼均已開源，全方位滿足各類硬件環境部署需求，讓深度學習落地的最后一公里再無障礙！
這樣的一個目標檢測開發神器已經被多家像國家電網、武漢鐵路局、寧德時代這樣的行業巨頭公司所應用，真正實現了助力開發者，賦能產業智能化！
鏈接指路：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.3/configs/picodet
后續工作
PP-PicoDet的誕生源于開源，也是回饋開源。考慮到工業、互聯網、自動駕駛等各行各業對移動端、邊緣端部署輕量化目標檢測模型的需求越來越強烈，PP-PicoDet致力于提供一種真正面向產業實踐的，更高性能、輕量化、更易落地的目標檢測方案，而非單純追求模型指標。
與此同時，希望PP-PicoDet的算法本身以及優化思路，可以在給業界開發者帶來更好算法的同時，也帶來更多的算法優化啟發，能夠在此基礎上繼續提升產出更多優秀成果，也歡迎大家通過用戶群、Issue等方式和我們探討交流。在此希望和業界開發者攜手為中國的開源技術而努力！
以上所有代碼實現，均在PaddleDetection飛槳目標檢測開發套件中開源提供：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.3
歡迎感興趣的小伙伴一起體驗、反饋建議并參與共建！你的Star是對我們工作的最大鼓勵~
課程預告
百度飛槳為了幫助大家能快速、深入、全面地了解目標檢測技術，將于11月23-26日19:00-20:00特地開設“目標檢測4日直播課”。由資深研發工程師傾囊相授多年“煉丹”經驗，配套真實工業落地場景案例，最先進的調優方式、訓練技巧、優化技巧和工業部署方案，帶您一網打盡，千萬不要錯過！
微信掃碼報名課程，即可加入官方技術交流群，在這里您可以獲得更高效的問題答疑，與各行各業開發者充分交流，期待您的加入！更多飛槳的相關內容，請參閱以下內容。
掃碼報名直播課，加入技術交流群
精彩內容搶先看
官網地址：
https://www.paddlepaddle.org.cn
飛槳PaddleDetection項目地址：
GitHub: https://github.com/PaddlePaddle/PaddleDetection
Gitee: https://gitee.com/paddlepaddle/PaddleDetection
（如果您覺得PP-PicoDet對您帶來了一些啟發或者的確實用的話，也歡迎您可以給PaddleDetection項目點亮Star。）
飛槳開源框架項目地址：
GitHub: https://github.com/PaddlePaddle/Paddle
Gitee: https://gitee.com/paddlepaddle/Paddle
圖片數據引用說明：
[1] 所用到的所有數據分別來源于以下數據集：
《表計讀數》數據來源于：中興克拉數據集
《安全帽檢測》數據來源于：https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset
《自動駕駛》數據集來源于：Yu F, Chen H, Wang X, et al. Bdd100k: A diverse driving dataset for heterogeneous multitask learning[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 2636-2645.
《人員摔倒檢測》數據來源于：泰思通數據集
《火災/煙霧檢測》數據來源于：https://github.com/gengyanlei/fire-smoke-detect-yolov4
《PCB瑕疵檢測》數據來源于：北京大學印刷電路板（PCB）瑕疵數據集
《多人舞蹈關鍵點檢測》數據集來源于YouTube. (2016, August 10). 100 People of Dance [Video file]. Retrieved from https://www.youtube.com/watch?v=qrTi2aLx8dw
《行人檢測與跟蹤》數據來源于公開數據集：Milan A, Leal-Taixé L, Reid I, et al. MOT16: A benchmark for multi-object tracking[J]. arXiv preprint arXiv:1603.00831, 2016.
《飛行器跟蹤》、《戰斗機跟蹤》數據集來源于：Bai H, Cheng W, Chu P, et al. GMOT-40: A Benchmark for Generic Multiple Object Tracking[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 6719-6728.
《車輛跟蹤》數據集來源于Zhu P, Wen L, Du D, et al. Vision meets drones: Past, present and future[J]. arXiv preprint arXiv:2001.06303, 2020.
《人頭跟蹤》數據來源于：Sundararaman R, De Almeida Braga C, Marchand E, et al. Tracking Pedestrian Heads in Dense Crowd[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 3865-3875.
[2] 圖片及數據來自PP-PicoDet技術報告：https://arxiv.org/abs/2111.00902
