PaddleDétection v2.7.0

Le kit de développement de détection de cible de pagaie volante PaddleDetection est conçu pour aider les développeurs à terminer l'ensemble du processus de développement de construction, de formation, d'optimisation et de déploiement de modèles de détection plus rapidement et mieux.

PaddleDetection implémente de manière modulaire une variété d'algorithmes de détection de cibles traditionnels, fournit de riches stratégies d'amélioration des données, des composants de modules réseau (tels que les réseaux fédérateurs), des fonctions de perte, etc., et intègre des capacités de compression de modèle et de déploiement multiplateforme hautes performances.

Après une pratique industrielle et un polissage à long terme, PaddleDetection offre une expérience utilisateur fluide et excellente et est largement utilisé par les développeurs dans plus de dix secteurs tels que l'inspection de la qualité industrielle, la détection d'images de télédétection, l'inspection sans pilote, la nouvelle vente au détail, Internet et scientifique. recherche.

caractéristiques

Modèles riches : comprenant plus de 100 modèles pré-entraînés tels que la détection de cibles, la segmentation d'instances, la détection de visages, etc., couvrant une variété de solutions de championnat de compétition mondiale

Simple à utiliser : conception modulaire, découplage de divers composants réseau, les développeurs peuvent facilement créer et essayer divers modèles de détection et stratégies d'optimisation, et obtenir rapidement des algorithmes personnalisés hautes performances.

Connectivité de bout en bout : connectivité de bout en bout depuis l'amélioration des données, la mise en réseau, la formation, la compression et le déploiement, et prend entièrement en charge le déploiement multi-architecture cloud/edge et multi-appareils.

Haute performance : basé sur le noyau haute performance de la pagaie volante, la vitesse d'entraînement du modèle et l'utilisation de la mémoire sont évidentes. Prend en charge la formation FP16 et la formation multi-machines.

Journal des modifications de PaddleDetection v2.3.0

Richesse du modèle

Modèles de détection de transformateur publiés : DETR, DETR déformable, Sparse RCNN

Ajout d'un nouveau modèle Dark pour la détection des points clés et publication du modèle Dark HRNet

Publication du modèle de détection des points clés HRNet de l'ensemble de données MPII

Publier des modèles verticaux de suivi de tête et de véhicule

Optimisation du modèle

Le modèle de détection de cadre tournant S2ANet publie le modèle d'optimisation Align Conv et l'ensemble de données DOTA mAP est optimisé à 74,0.

Déploiement prédictif

Les modèles grand public prennent en charge le déploiement de prédictions de taille de lot> 1, notamment YOLOv3, PP-YOLO, Faster RCNN, SSD, TTFNet, FCOS

Ajout de la prise en charge du déploiement de prédiction côté Python de modèles de suivi multi-cibles (JDE, FairMot, DeepSort) et prise en charge de la prédiction TensorRT

Ajout du modèle de suivi multi-cible Déploiement du modèle de détection de points clés commun FairMot Prise en charge du déploiement de la prédiction côté Python

Nouveau modèle de détection de points clés combiné à la prise en charge du déploiement de prédiction PP-YOLO

document

Nouvelles instructions TensorRT ajoutées à la documentation de déploiement prédictif Windows

Mise à jour du document FAQ publiée

Corrections de bugs

Résoudre le problème de convergence de la formation des modèles de la série PP-YOLO

Résoudre le problème de la formation de données non étiquetées lorsque la taille du lot> 1