PaddleDetecção v2.7.0

O kit de desenvolvimento de detecção de alvo de remo voador PaddleDetection foi projetado para ajudar os desenvolvedores a concluir todo o processo de desenvolvimento de construção, treinamento, otimização e implantação de modelo de detecção de forma mais rápida e melhor.

PaddleDetection implementa modularmente uma variedade de algoritmos de detecção de alvos convencionais, fornece estratégias ricas de aprimoramento de dados, componentes de módulos de rede (como redes backbone), funções de perda, etc., e integra compactação de modelo e recursos de implantação de alto desempenho entre plataformas.

Após prática e polimento industrial de longo prazo, PaddleDetection tem uma experiência de usuário suave e excelente e é amplamente utilizado por desenvolvedores em mais de dez setores, como inspeção de qualidade industrial, detecção de imagem de sensoriamento remoto, inspeção não tripulada, novo varejo, Internet e ciência pesquisar.

característica

Modelos ricos: incluindo mais de 100 modelos pré-treinados, como detecção de alvos, segmentação de instâncias, detecção de rosto, etc., cobrindo uma variedade de soluções de campeonatos de competição global

Simples de usar: design modular, desacoplamento de vários componentes de rede, os desenvolvedores podem facilmente construir e testar vários modelos de detecção e estratégias de otimização e obter rapidamente algoritmos personalizados de alto desempenho.

Conectividade ponta a ponta: conectividade ponta a ponta desde aprimoramento de dados, rede, treinamento, compactação e implantação, e oferece suporte total a multiarquitetura de nuvem/borda e implantação de vários dispositivos.

Alto desempenho: Com base no núcleo de alto desempenho do remo voador, a velocidade de treinamento do modelo e o uso de memória são óbvios. Suporta treinamento FP16 e treinamento multimáquina.

Registro de alterações do PaddleDetection v2.3.0

Riqueza do modelo

Modelos de detecção de transformadores lançados: DETR, DETR deformável, RCNN esparso

Adicionado novo modelo Dark para detecção de pontos-chave e lançado modelo Dark HRNet

Lançado modelo de detecção de ponto-chave do conjunto de dados MPII HRNet

Publique modelos verticais de rastreamento de cabeças e veículos

Otimização do modelo

O modelo de detecção de quadro rotativo S2ANet lança o modelo de otimização Align Conv, e o conjunto de dados DOTA mAP é otimizado para 74,0

Implantação preditiva

Os modelos convencionais suportam implantação de previsão de tamanho de lote> 1, incluindo YOLOv3, PP-YOLO, Faster RCNN, SSD, TTFNet, FCOS

Adicionado suporte para implantação de previsão no lado Python de modelos de rastreamento multi-alvo (JDE, FairMot, DeepSort) e suporte para previsão TensorRT

Adicionado modelo de rastreamento multi-alvo Implantação do modelo de detecção de ponto-chave conjunto FairMot Suporte à implantação de previsão do lado Python

Novo modelo de detecção de pontos-chave combinado com suporte à implantação de previsão PP-YOLO

documento

Novas instruções do TensorRT adicionadas à documentação do Windows Predictive Deployment

Atualização do documento de perguntas frequentes lançada

Correções de bugs

Corrigir o problema de convergência do treinamento do modelo da série PP-YOLO

Corrija o problema de treinamento de dados não rotulados quando o tamanho do lote for> 1