<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    <del id="afajh"><form id="afajh"></form></del>
        1. <th id="afajh"><progress id="afajh"></progress></th>
          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>

          超越YOLOv5,1.3M超輕量,高效易用,這個目標檢測開源項目太香了!

          共 2916字,需瀏覽 6分鐘

           ·

          2021-05-16 09:54

          這個目標檢測神器簡直香炸了!它不僅連續(xù)登錄Github全球趨勢榜,擁有的全球尖端算法論文也接連登錄全球技術趨勢榜PaperWithCode。



          這個神器就是剛剛全面升級的PaddleDetection2.0!它全面兼顧高性能算法、便捷開發(fā)、高效訓練及完備部署,不論是通用目標檢測,還是行人、車輛檢測,不論是超高精度,還是超輕量超快速;不論是學術科研大神,還是入門萌新;全都滿足你!


          傳送門:

          https://github.com/PaddlePaddle/PaddleDetection 


          小編在此強烈號召小伙伴們 Star收藏一下,以防走丟。



          下面,讓我們直接用數(shù)據(jù)和事實來帶大家看看這款開源項目具體有什么過人之處吧!


          一. 全明星算法陣容:


          1. 比YOLOv4、YOLOv5 更強的PP-YOLOv2



          無需再糾結YOLOv3、YOLOv4、Scaled YOLOv4、YOLOv5到底選哪個了,選PPYOLOv2就對了!最高mAP 50.3%,最高FPS106.5FPS,超越YOLOv4甚至YOLOv5!又快又好,他不香么?


          論文:https://arxiv.org/abs/2104.10419


          2. 1.3M 超超超輕量目標檢測算法PP-YOLO Tiny



          需要在AIoT邊緣輕量化芯片部署?1.3M夠不夠?。浚”萗OLO-Fastest、 NanoDet更強的PPYOLO-Tiny,AI走向產(chǎn)業(yè)無需再等,趕緊用起來!


          3. 全面領先同類框架的RCNN系列算法


          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進行訓練,比mmDetection和Detectron2在更短的時間獲得更高的精度!



          4. SOTA 的Anchor Free算法:PAFNet & PAFNet-Lite


          連檢測框都不要了?莫慌,PaddleDetection2.0帶你緊跟全球科研動向。SOTA(最先進)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!


          論文:https://arxiv.org/abs/2104.13534



          二. 全面功能覆蓋:


          除了以上全系列通用目標檢測算法外,PaddleDetection2.0還額外覆蓋旋轉框檢測、實例分割、行人檢測、人臉檢測、車輛檢測等垂類任務。



          還經(jīng)過工業(yè)質檢、安防巡檢、衛(wèi)星遙感、能源電力等等數(shù)十個真實行業(yè)場景深度打磨驗證,直接加速各產(chǎn)業(yè)智能化升級!



          三. 超強易用性、極易產(chǎn)業(yè)部署:


          全面支持pip安裝,動態(tài)圖開發(fā),壓縮、部署等全流程方案打通,極大程度的提升了用戶開發(fā)的易用性,加速了算法產(chǎn)業(yè)應用落地的速度。



          1. 超強的算法壓縮能力:


          以YOLOv3-MobileNetv1模型為例,量化策略為模型帶來1.7%的精度提升,同時體積壓縮3.71倍,速度提升1.46倍!而采用蒸餾+裁剪的聯(lián)合策略,在精度幾乎無損的情況下,體積壓縮了3.05倍,加速1.58倍!


          YOLOv3-MobileNetV1

          輸入尺寸

          精度(mAP)

          模型體積(MB)

          體積壓縮比

          延遲(驍龍855 4線程)

          加速比

          Baseline

          608

          28.8

          94.2

          -

          411ms

          -

          在線量化

          608

          30.5

          25.4

          3.71x

          281ms

          1.46x

          蒸餾

          608

          31.0

          94.2

          -

          411ms

          -

          蒸餾+剪裁聯(lián)合策略

          608

          28.7

          30.9

          3.05x

          260ms

          1.58x


          2. 超完善的推理部署能力


          適配Linux、Windows、NV Jetson等多系統(tǒng)多平臺,同時提供Python預測和C++預測,額外適配TensorRT,支持TensorRT動態(tài)尺寸輸入及TensorRT INT8量化預測, 模型預測加速性能滿分!


          模型

          輸入尺寸

          Paddle Inference

          TensorRT FP32

          TensorRT FP16

          SSD_MobileNet_v1

          300

          5.17

          4.43

          4.29

          YOLOv3_MobileNet_v1

          608

          9.74

          8.61

          6.28

          FasterRCNN_R50_FPN

          640

          27.99

          26.16

          21.92

          PP-YOLO

          608

          20.77

          18.40

          13.53


          3. 良心完善的文檔制作


          精心打造的中英雙語文檔,從安裝、數(shù)據(jù)準備到訓練、評估、預測全流程,親媽一樣關心你使用產(chǎn)品時的每一個細節(jié)。



          四、直播課預告


          看到這里,小編已經(jīng)熱血沸騰了!如此用心制作的高水準產(chǎn)品,必須要深入學習一下!

          百度飛槳AI快車道為了滿足大家的需求,將于5月13、14、21日開設“目標檢測技術3日直播課”,由百度資深研發(fā)工程師傾囊相授多年“煉丹”經(jīng)驗,趕緊掃碼報名加入PaddleDetection技術交流群上車吧!更多課程及產(chǎn)品動態(tài),將在群里及時公告。


          掃描下方二維碼,立即報名加入交流群



          產(chǎn)業(yè)級目標檢測技術直播課精彩搶先看



          更多PaddleDetection信息,歡迎訪問GitHub點star后體驗:

          https://github.com/PaddlePaddle/PaddleDetection

          瀏覽 27
          點贊
          評論
          收藏
          分享

          手機掃一掃分享

          分享
          舉報
          評論
          圖片
          表情
          推薦
          點贊
          評論
          收藏
          分享

          手機掃一掃分享

          分享
          舉報
          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            <del id="afajh"><form id="afajh"></form></del>
                1. <th id="afajh"><progress id="afajh"></progress></th>
                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  成人免费视频 网站 | 特级学生妹黄色一级片 | 亚洲AV无码国产精品夜色午夜 | 我想看操逼网站 | 性交动态图黄色视频在线观看 |