PaddleDetection v2.7.0

Das PaddleDetection-Entwicklungskit zur Zielerkennung mit fliegenden Paddeln soll Entwicklern dabei helfen, den gesamten Entwicklungsprozess der Konstruktion, Schulung, Optimierung und Bereitstellung des Erkennungsmodells schneller und besser abzuschließen.

PaddleDetection implementiert modular eine Vielzahl gängiger Zielerkennungsalgorithmen, bietet umfassende Datenverbesserungsstrategien, Netzwerkmodulkomponenten (z. B. Backbone-Netzwerke), Verlustfunktionen usw. und integriert Modellkomprimierung und plattformübergreifende Hochleistungsbereitstellungsfunktionen.

Nach langjähriger industrieller Praxis und Optimierung verfügt PaddleDetection über ein reibungsloses und hervorragendes Benutzererlebnis und wird von Entwicklern in mehr als zehn Branchen häufig eingesetzt, z. B. in der industriellen Qualitätsprüfung, der Fernerkundungsbilderkennung, der unbemannten Inspektion, im neuen Einzelhandel, im Internet und in der Wissenschaft Forschung.

Merkmal

Umfangreiche Modelle: Einschließlich über 100 vorab trainierter Modelle wie Zielerkennung, Instanzsegmentierung, Gesichtserkennung usw., die eine Vielzahl globaler Wettbewerbsmeisterschaftslösungen abdecken

Einfach zu bedienen: Modularer Aufbau, Entkopplung verschiedener Netzwerkkomponenten, Entwickler können problemlos verschiedene Erkennungsmodelle und Optimierungsstrategien erstellen und ausprobieren und schnell leistungsstarke, maßgeschneiderte Algorithmen erhalten.

End-to-End-Konnektivität: End-to-End-Konnektivität von Datenverbesserung, Netzwerk, Schulung, Komprimierung und Bereitstellung und unterstützt vollständig die Cloud/Edge-Multi-Architektur und die Bereitstellung auf mehreren Geräten.

Hohe Leistung: Basierend auf dem Hochleistungskern des Flugpaddels sind die Trainingsgeschwindigkeit und der Speicherverbrauch des Modells offensichtlich. Unterstützt FP16-Training und Multi-Maschinen-Training.

PaddleDetection v2.3.0 Änderungsprotokoll

Modellreichtum

Veröffentlichte Transformer-Erkennungsmodelle: DETR, Deformable DETR, Sparse RCNN

Neues Dark-Modell zur Schlüsselpunkterkennung hinzugefügt und Dark HRNet-Modell veröffentlicht

Veröffentlichung des MPII-Datensatzes HRNet-Schlüsselpunkterkennungsmodell

Veröffentlichen Sie vertikale Modelle zur Kopf- und Fahrzeugverfolgung

Modelloptimierung

Das rotierende Rahmenerkennungsmodell S2ANet veröffentlicht das Align Conv-Optimierungsmodell und der DOTA-Datensatz mAP ist auf 74,0 optimiert

Vorausschauender Einsatz

Mainstream-Modelle unterstützen die Vorhersagebereitstellung mit einer Stapelgröße > 1, einschließlich YOLOv3, PP-YOLO, Faster RCNN, SSD, TTFNet, FCOS

Unterstützung für die Python-seitige Vorhersagebereitstellung von Multi-Target-Tracking-Modellen (JDE, FairMot, DeepSort) hinzugefügt und unterstützt TensorRT-Vorhersage

Unterstützung für die Bereitstellung des FairMot-Modells für die gemeinsame Schlüsselpunkterkennung mit mehreren Zielen und der Bereitstellung von Python-Seitenvorhersagen hinzugefügt

Neues Schlüsselpunkterkennungsmodell kombiniert mit PP-YOLO-Vorhersagebereitstellungsunterstützung

dokumentieren

Neue TensorRT-Anweisungen zur Windows Predictive Deployment-Dokumentation hinzugefügt

Aktualisierung des FAQ-Dokuments veröffentlicht

Fehlerbehebungen

Beheben Sie das Konvergenzproblem des Modelltrainings der PP-YOLO-Serie

Beheben Sie das Problem des unbeschrifteten Datentrainings, wenn die Stapelgröße > 1 ist