ชุดพัฒนาการตรวจจับเป้าหมายพายบิน PaddleDetection ได้รับการออกแบบมาเพื่อช่วยให้นักพัฒนาดำเนินการกระบวนการพัฒนาทั้งหมดที่เกี่ยวข้องกับการสร้างโมเดลการตรวจจับ การฝึกอบรม การเพิ่มประสิทธิภาพ และการใช้งานได้เร็วและดียิ่งขึ้น
PaddleDetection ใช้อัลกอริธึมการตรวจจับเป้าหมายหลักแบบโมดูลาร์ มอบกลยุทธ์การเพิ่มประสิทธิภาพข้อมูลที่หลากหลาย ส่วนประกอบโมดูลเครือข่าย (เช่น เครือข่ายแกนหลัก) ฟังก์ชันการสูญเสีย ฯลฯ และผสานรวมการบีบอัดโมเดลและความสามารถในการปรับใช้ข้ามแพลตฟอร์มที่มีประสิทธิภาพสูง
หลังจากการปฏิบัติและการขัดเกลาในอุตสาหกรรมมายาวนาน PaddleDetection มอบประสบการณ์การใช้งานที่ราบรื่นและยอดเยี่ยม และนักพัฒนาใช้งานกันอย่างแพร่หลายในอุตสาหกรรมต่างๆ มากกว่า 10 อุตสาหกรรม เช่น การตรวจสอบคุณภาพอุตสาหกรรม การตรวจจับภาพด้วยการรับรู้ระยะไกล การตรวจสอบแบบไร้คนควบคุม การค้าปลีกใหม่ อินเทอร์เน็ต และวิทยาศาสตร์ วิจัย.
ลักษณะเฉพาะ
โมเดลที่หลากหลาย: รวมถึงโมเดลที่ผ่านการฝึกอบรมมาแล้วมากกว่า 100 โมเดล เช่น การตรวจจับเป้าหมาย การแบ่งส่วนอินสแตนซ์ การตรวจจับใบหน้า ฯลฯ ครอบคลุมโซลูชันการแข่งขันชิงแชมป์ระดับโลกที่หลากหลาย
ใช้งานง่าย: การออกแบบแบบโมดูลาร์ แยกส่วนประกอบเครือข่ายต่างๆ ออก นักพัฒนาสามารถสร้างและลองใช้โมเดลการตรวจจับและกลยุทธ์การปรับให้เหมาะสมต่างๆ ได้อย่างง่ายดาย และรับอัลกอริทึมที่ปรับแต่งประสิทธิภาพสูงได้อย่างรวดเร็ว
การเชื่อมต่อแบบ end-to-end: การเชื่อมต่อแบบ end-to-end จากการปรับปรุงข้อมูล เครือข่าย การฝึกอบรม การบีบอัด และการปรับใช้ และรองรับคลาวด์/เอดจ์หลายสถาปัตยกรรมและการปรับใช้หลายอุปกรณ์อย่างสมบูรณ์
ประสิทธิภาพสูง: จากแกนหลักที่มีประสิทธิภาพสูงของไม้พายบิน ความเร็วในการฝึกโมเดลและการใช้หน่วยความจำจึงชัดเจน รองรับการฝึกอบรม FP16 และการฝึกอบรมหลายเครื่อง
บันทึกการเปลี่ยนแปลง PaddleDetection v2.3.0
ความร่ำรวยของโมเดล
เปิดตัวโมเดลการตรวจจับหม้อแปลง: DETR, DETR ที่เปลี่ยนรูปได้, Sparse RCNN
เพิ่มโมเดล Dark ใหม่สำหรับการตรวจจับจุดสำคัญและเปิดตัวโมเดล Dark HRNet
เปิดตัวโมเดลการตรวจจับจุดสำคัญชุดข้อมูล MPII HRNet
เผยแพร่โมเดลแนวตั้งการติดตามศีรษะและยานพาหนะ
การเพิ่มประสิทธิภาพโมเดล
โมเดลการตรวจจับเฟรมที่หมุนได้ S2ANet เปิดตัวโมเดลการปรับให้เหมาะสม Align Conv และ mAP ชุดข้อมูล DOTA ได้รับการปรับให้เหมาะสมเป็น 74.0
การปรับใช้เชิงคาดการณ์
โมเดลกระแสหลักรองรับขนาดแบตช์>1 การปรับใช้การคาดการณ์ รวมถึง YOLOv3, PP-YOLO, Faster RCNN, SSD, TTFNet, FCOS
เพิ่มการสนับสนุนสำหรับการปรับใช้การทำนายฝั่ง Python ของโมเดลการติดตามหลายเป้าหมาย (JDE, FairMot, DeepSort) และรองรับการทำนาย TensorRT
เพิ่มโมเดลการติดตามหลายเป้าหมาย FairMot แบบจำลองการตรวจจับจุดสำคัญร่วม การสนับสนุนการปรับใช้การคาดการณ์ด้าน Python
โมเดลการตรวจจับจุดสำคัญใหม่รวมกับการสนับสนุนการปรับใช้การคาดการณ์ PP-YOLO
เอกสาร
เพิ่มคำสั่ง TensorRT ใหม่ในเอกสาร Windows Predictive Deployment
มีการเผยแพร่การอัปเดตเอกสารคำถามที่พบบ่อย
แก้ไขข้อบกพร่อง
แก้ไขปัญหาการบรรจบกันของการฝึกโมเดลซีรีส์ PP-YOLO
แก้ไขปัญหาการฝึกอบรมข้อมูลที่ไม่มีป้ายกำกับเมื่อขนาดแบตช์>1