超越Y(jié)OLO v5的最強算法矩陣來啦！PP-YOLOE、PP-PicoDet 云邊端一網(wǎng)打盡！
目標檢測作為計算機視覺領(lǐng)域的頂梁柱，不僅可以獨立完成車輛、商品、缺陷檢測等任務(wù)，也是人臉識別、視頻分析、以圖搜圖等復合技術(shù)的核心模塊，在自動駕駛、工業(yè)視覺、安防交通等領(lǐng)域的商業(yè)價值有目共睹。
在當前云、邊、端多場景協(xié)同的產(chǎn)業(yè)大趨勢下，運行速度、模型計算量、模型格式轉(zhuǎn)化、硬件適配、統(tǒng)一部署方案等實際問題都需要考慮。而今天小編給大家推薦的全新發(fā)布的PP-YOLOE和PP-PicoDet增強版，相比YOLOv5、YOLOX等優(yōu)秀算法，再一次將性能推到極致。
無論你追求的是高精度、輕量化，還是場景預訓練模型，PP-YOLOE和PP-PicoDet增強版都能以業(yè)界超高標準滿足你的需求。同時，統(tǒng)一的使用方式及部署策略，讓你不再需要進行模型轉(zhuǎn)化、接口調(diào)整，更貼合工業(yè)大生產(chǎn)標準化、模塊化的需求。
還在等什么！趕緊查看全部開源代碼并Star收藏吧??！
傳送門：
https://github.com/PaddlePaddle/PaddleDetection
PP-YOLOE根據(jù)不同應用場景設(shè)計了s/m/l/x，4個尺寸的模型來支持不同算力水平的硬件，無論是哪個尺寸，精度-速度都超越當前所有同等計算量下的YOLO模型！
?性能卓越：具體來說，PP-YOLOE-l在COCO test-dev上以精度51.4%，TRT FP16推理速度149.2FPS的優(yōu)異數(shù)據(jù)，相較YOLOX，精度提升1.3%，加速25%；相較YOLOv5，精度提升0.7%，加速26.8%。訓練速度較PP-YOLOv2提高33%，大幅降低模型訓練成本。
?部署友好：與此同時，PP-YOLOE在結(jié)構(gòu)設(shè)計上避免使用如deformable convolution或者matrix nms之類的特殊算子，使其能輕松適配更多硬件。當前已經(jīng)完備支持NVIDIA V100、T4這樣的云端GPU架構(gòu)以及如Jetson系列等邊緣端GPU和FPGA開發(fā)板。
下面，就讓我們來一起看看具體是哪些策略給PP-YOLOE帶來了如此顯著的提升：
?可擴展的backbone和neck：自研CSPRepResNet和CSPPAN k，在增強模型表征能力的同時提升了模型的推理速度，并且可以靈活地配置模型大小。
?更高效的標簽分配策略TAL(Task Alignment Learning)：使匹配結(jié)果可以同時獲得最優(yōu)的分類score和定位精度。
?更簡潔有效的ET-Head(Efficient Task-aligned Head)： 基于TOOD的Head，使用ESE替換T-Head中的注意力模塊，并使用shortcut和DFL分別進行分類和回歸的對齊。在損失函數(shù)方面，則使用VFL替換BCE，保證了速度精度雙高的目的。
PP-YOLOE完整代碼實現(xiàn)：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe
技術(shù)報告：
https://arxiv.org/abs/2203.16250
超乎想象的超小體積及超預期的性能，使PP-PicoDet成為邊緣、低功耗硬件部署的最佳選擇，而此次發(fā)布更是在原有基礎(chǔ)上再次升級：
?更高精度：PP-PicoDet作為業(yè)界首個1M內(nèi)，實現(xiàn)精度mAP（0.5：0.95）超越30+的模型，升級后整體精度提高2%。PP-PicoDet-S參數(shù)量僅有1.18M，卻有32.5%mAP的精度，相較YOLOX-Nano高6.7%，推理速度提升了26%；相較NanoDet-Plus，相同參數(shù)量下，mAP高出2.1%
?更快速度：在CPU上預測速度再次提升50%，最新增加的PP-PicoDet-XS更是僅有0.7M，在CPU上預測速度達到250FPS以上，與此同時訓練速度也大幅提升一倍以上
?更友好部署：為了部署更加輕松高效， PP-PicoDet在模型導出環(huán)節(jié)， 將模型的后處理包含在了網(wǎng)絡(luò)中，支持預測直接輸出檢測結(jié)果，無需額外開發(fā)后處理模塊，還能端到端加速10%-20%
?更高效優(yōu)化支持：考慮到端側(cè)對計算量的優(yōu)化追求是極致的，PP-PicoDet在模型量化訓練和稀疏化壓縮方案支持方面做了更深度的打磨， 僅需兩步，即可實現(xiàn)在移動端部署加速30%以上的效果。
PP-PicoDet代碼實現(xiàn)：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/picodet
技術(shù)報告地址：
https://arxiv.org/abs/2111.00902
以上所有模型、代碼及使用文檔、Demo均在PaddleDetection中開源提供，此外如YOLOv4、YOLOX及SwinTransformer等在內(nèi)的前沿優(yōu)秀算法與Faster-RCNN、YOLOv3等經(jīng)典算法也被收錄其中，并且提供了極致簡單、統(tǒng)一的使用方式。
部署方面得益于飛槳原生推理庫Paddle Inference及飛槳端側(cè)推理框架Paddle Lite的能力，通過支持TensorRT和OpenVino，開發(fā)者可以快速完成在服務(wù)端和邊緣端GPU或ARM CPU、NPU等硬件上的高性能加速部署。
此外，PaddleDetection還支持一鍵導出為ONNX格式，順暢對接ONNX生態(tài)。
從此無需再內(nèi)卷，通用目標檢測，
這一個項目就夠了！
?趕緊Star收藏訂閱最新動態(tài)吧！?
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4
為了讓開發(fā)者們更深入的了解PaddleDetection這次的全新模型，解決落地應用難點，掌握產(chǎn)業(yè)實踐的核心能力，飛槳團隊精心準備了為期三天的直播課程！
4月19日20:30，百度資深高工將為我們詳細介紹超強檢測矩陣，對各類型SOTA模型的原理及使用方式進行拆解，之后兩天還有檢測拓展應用梳理及產(chǎn)業(yè)案例全流程實操，對各類痛難點解決方案進行手把手教學，加上直播現(xiàn)場互動答疑，還在等什么！抓緊掃碼上車吧！
