PaddleDetection v2.7.0

El kit de desarrollo de detección de objetivos de paleta voladora PaddleDetection está diseñado para ayudar a los desarrolladores a completar todo el proceso de desarrollo de construcción, capacitación, optimización e implementación del modelo de detección de manera más rápida y mejor.

PaddleDetection implementa de forma modular una variedad de algoritmos de detección de objetivos convencionales, proporciona estrategias de mejora de datos enriquecidas, componentes de módulos de red (como redes troncales), funciones de pérdida, etc., e integra compresión de modelos y capacidades de implementación multiplataforma de alto rendimiento.

Después de una práctica y pulido industrial a largo plazo, PaddleDetection tiene una experiencia de usuario excelente y fluida, y es ampliamente utilizado por desarrolladores en más de diez industrias, como inspección de calidad industrial, detección de imágenes por teledetección, inspección no tripulada, nueva venta minorista, Internet y ciencia. investigación.

característica

Modelos enriquecidos: incluidos más de 100 modelos previamente entrenados, como detección de objetivos, segmentación de instancias, detección de rostros, etc., que cubren una variedad de soluciones de campeonatos de competencia global

Fácil de usar: diseño modular, desacoplando varios componentes de la red, los desarrolladores pueden construir y probar fácilmente varios modelos de detección y estrategias de optimización, y obtener rápidamente algoritmos personalizados de alto rendimiento.

Conectividad de extremo a extremo: Conectividad de extremo a extremo desde mejora de datos, creación de redes, capacitación, compresión e implementación, y es totalmente compatible con múltiples arquitecturas y múltiples dispositivos en la nube/borde.

Alto rendimiento: basado en el núcleo de alto rendimiento de la paleta voladora, la velocidad de entrenamiento del modelo y el uso de la memoria son obvios. Admite entrenamiento FP16 y entrenamiento multimáquina.

Registro de cambios de PaddleDetection v2.3.0

Riqueza del modelo

Modelos de detección de transformadores lanzados: DETR, DETR deformable, RCNN disperso

Se agregó un nuevo modelo Dark para la detección de puntos clave y se lanzó el modelo Dark HRNet.

Modelo de detección de puntos clave HRNet del conjunto de datos MPII lanzado

Publicar modelos verticales de seguimiento de cabezas y vehículos.

Optimización del modelo

El modelo de detección de marco giratorio S2ANet lanza el modelo de optimización Align Conv y el mAP del conjunto de datos DOTA está optimizado a 74.0

Despliegue predictivo

Los modelos convencionales admiten la implementación de predicciones de tamaño de lote >1, incluidos YOLOv3, PP-YOLO, Faster RCNN, SSD, TTFNet y FCOS.

Se agregó soporte para la implementación de predicción del lado de Python de modelos de seguimiento de múltiples objetivos (JDE, FairMot, DeepSort) y admite la predicción de TensorRT.

Se agregó el modelo de seguimiento de múltiples objetivos. Implementación del modelo de detección conjunta de puntos clave FairMot. Soporte de implementación de predicción lateral de Python.

Nuevo modelo de detección de puntos clave combinado con soporte de implementación de predicción PP-YOLO

documento

Nuevas instrucciones de TensorRT agregadas a la documentación de implementación predictiva de Windows

Actualización del documento de preguntas frecuentes publicada

Corrección de errores

Solucione el problema de convergencia del entrenamiento del modelo de la serie PP-YOLO

Solucione el problema del entrenamiento de datos sin etiquetar cuando el tamaño del lote es >1