PaddleDetection 检测开发套件 最新版 v2.5.0

PaddleDetection飞桨方针检测开发套件，旨在协助开发者更快更好地完结检测模型的组成、练习、优化及布置等全开发流程。

PaddleDetection模块化地完成了多种干流方针检测算法，供给了丰厚的数据增强战略、网络模块组件（如主干网络）、丢失函数等，并集成了模型紧缩和跨渠道高性能布置才能。

通过长期工业实践打磨，PaddleDetection已具有顺利、杰出的运用体会，被工业质检、遥感图画检测、无人巡检、新零售、互联网、科研等十多个职业的开发者广泛应用。

特性

模型丰厚: 包括方针检测、实例切割、人脸检测等100+个预练习模型，包括多种全球比赛冠军计划

运用简练：模块化规划，解耦各个网络组件，开发者轻松建立、试用各种检测模型及优化战略，快速得到高性能、定制化的算法。

端到端打通: 从数据增强、组网、练习、紧缩、布置端到端打通，并齐备支撑云端/边际端多架构、多设备布置。

高性能: 基于飞桨的高性能内核，模型练习速度及显存占用优势显着。支撑FP16练习, 支撑多机练习。

v2.5.0

PP-YOLOE：
发布PP-YOLOE特色模型，COCO数据集精度51.4%，V100预测速度78.1 FPS，精度速度服务器端SOTA
发布s/m/l/x系列模型，打通TensorRT、ONNX部署能力
支持混合精度训练，训练较PP-YOLOv2加速33%

PP-PicoDet:
发布PP-PicoDet优化模型，精度提升2%左右，CPU预测速度提升63%。
新增参数量0.7M的PicoDet-XS模型
后处理集成到网络中，优化端到端部署成本

行人分析Pipeline：
发布PP-Human行人分析Pipeline，覆盖行人检测、属性识别、行人跟踪、跨镜跟踪、人流量统计、动作识别多种功能，打通TensorRT部署
属性识别支持StrongBaseline模型
ReID支持Centroid模型
动作识别支持ST-GCN摔倒检测

模型丰富度:
发布YOLOX，支持nano/tiny/s/m/l/x版本，x版本COCO val2017数据集精度51.8%

框架功能优化：
EMA训练速度优化20%，优化EMA训练模型保存方式
支持infer预测结果保存为COCO格式

部署优化：
RCNN全系列模型支持Paddle2ONNX导出ONNX模型
SSD模型支持导出时融合解码OP，优化边缘端部署速度
支持NMS导出TensorRT，TensorRT部署端到端速度提升

PaddleDetection v2.2.0 更新日志：

模型丰厚度：

发布Transformer检测模型：DETR、Deformable DETR、Sparse RCNN

要害点检测新增Dark模型，发布Dark HRNet模型

发布MPII数据集HRNet要害点检测模型

发布人头、车辆盯梢垂类模型

模型优化：

旋转框检测模型S2ANet发布Align Conv优化模型，DOTA数据集mAP优化至74.0

猜测布置

干流模型支撑batch size>1猜测布置，包括YOLOv3，PP-YOLO，Faster RCNN，SSD，TTFNet，FCOS

新增多方针盯梢模型(JDE, FairMot, DeepSort) Python端猜测布置支撑，并支撑TensorRT猜测

新增多方针盯梢模型FairMot联合要害点检测模型布置Python端猜测布置支撑

新增要害点检测模型联合PP-YOLO猜测布置支撑

文档：

Windows猜测布置文档新增TensorRT版别阐明

FAQ文档更新发布

问题修正：

修正PP-YOLO系列模型练习收敛性问题

修正batch size>1时无标签数据练习问题