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 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!
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
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。
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
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