百度开源的这个项目，太强了！

大家好，我是小 G。

众所周知，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。

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？

今天给大家推荐一个由百度开源的 GitHub 项目，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！

感兴趣的同学，可访问下面 GitHub 地址，查看项目完整源码：

GitHub：https://github.com/PaddlePaddle/PaddleDetection

下面，让我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

开源优秀算法：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。

另外，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 TensorRT 和 OpenVino，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