超越YOLOv5还不够！这个目标检测开源项目全面升级！

2021 年 12 月 29 日 CVer

目标检测技术作为计算机视觉的基础核心，支撑了包括人脸识别、目标跟踪、关键点检测、图像搜索等等70%以上视觉任务。虽然业界YOLO、Anchor Free、Transformer等系列目标检测算法层出不穷，却缺乏可以统一、敏捷、组合应用这些先进算法，并支持包括模型压缩、多端高性能部署等功能实现产业应用端到端落地的开发套件。

飞桨目标检测开发套件PaddleDetection就是这样一个模型先进且丰富、任务覆盖全面、端到端能力完备的产业级开发套件：

模型先进且丰富： 230+ 主流业界领先模型， 10+ SOTA及顶会冠军方案（面向产业应用的高性能算法）
任务覆盖全面： 全面覆盖 目标检测、实例分割、目标跟踪、关键点检测 任务领域，以及工业制造、安防巡检、智慧交通等10个以上行业领域。
端到端能力完备： 全面覆盖前沿模型 压缩，量化、剪枝、蒸馏、检测结构搜索 方法，并在服务端、移动端等多种硬件环境完全打通，助力开发者快速实现高性能部署。

⭐ 项目链接 ⭐

https://github.com/PaddlePaddle/PaddleDetection

PaddleDetection所有源码及教程均已开源，欢迎大家使用，并Star鼓励~

性能卓越

算法全面升级

230+主流目标检测、实例分割、跟踪、关键点检测算法组成全明星阵容，囊括多种SOTA算法及冠军方案：

0.99M、 150FPS轻量级SOTA检测算法PP-PicoDet
超越YOLOv4、YOLOv5的工业级SOTA模型PP-YOLOv2
122FPS、51.8%AP的轻量级SOTA多人关键点检测算法PP-TinyPose

‍

功能全面覆盖

100+垂类预训练模型，应用场景覆盖工业制造、安防巡检、智慧交通等10+行业：

实时跟踪系统PP-Tracking，一网打尽单/多镜头下的行人车辆跟踪能力
覆盖旋转框检测、实例分割、行人检测、人脸检测、车辆检测等垂类任务

易用性全面提升

多种前沿压缩策略、灵活高效的部署支持，全方位助力算法实现高性能的压缩与部署：

一种蒸馏技术，三种量化策略，五种剪裁方式，支持策略联合实现，保持模型精度的同时大幅降低模型体积，适配各类硬件环境
全面打通本地化、服务化、移动端部署，并支持Python、C++的部署语言及TensorRT的加速

想要了解详细算法性能、功能细节，以及压缩与部署策略的小伙伴们请接着往下看

更快更强的PP系列

明星算法

（一）0.99M、 150FPS轻量级SOTA检测算法PP-PicoDet

PP-PicoDet一共有三种尺寸，其中PP-PicoDet-S参数量仅有0.99M，却有30.6%mAP的精度，当输入尺寸为320时，推理速度甚至可达150FPS， 不仅mAP比YOLOX-Nano高4.8%，端侧推理速度还提升了55%，相比NanoDet-M-Plus-1.5x，体积少13.5%，速度快14%，mAP高0.7%。 而PP-PicoDet-L则在仅有3.3M参数量的情况下mAP达到40.9%， 比YOLOv5s高3.7%，推理速度提升44%。 PP-PicoDet也在不断优化中，请大家敬请期待。

（二）性能超越YOLOv4、YOLOv5的高精度检测算法PP-YOLOv2

作为产业级SOTA模型， PP-YOLOv2（R50）mAP达到了49.5%， FPS高达106.5FPS ，超越了YOLOv4甚至YOLOv5，而如果使用RestNet101作为骨架网络，PP-YOLOv2（R101）的 mAP更高达50.3%，并且比同等精度下的YOLOv5x快15.9%。

（三）122FPS、51.8%AP的轻量级SOTA多人关键点检测算法PP-TinyPose

PP-TinyPose在单人和多人场景均达到 性能SOTA ，同时 对检测人数无上限 ，并且 在微小目标场景有卓越效果 ，助力开发者 高性能实现 异常行为识别、智能健身、体感互动游戏、人机交互等任务。

功能全、应用广

（一）实时跟踪系统PP-Tracking，一网打尽各类跟踪能力

功能覆盖 单、多镜头 下的 行人车辆跟踪 ，支持10+种不同类别的目标同时跟踪，针对 小目标、航拍监控及密集型场景 进行特殊优化，并提供 人/车流量 去重计数应用。

（二）覆盖旋转框检测、实例分割、行人检测、人脸检测、车辆检测等垂类任务。

易用性更高的

全流程开发支持

（一）一种蒸馏技术，三种量化策略，五种剪裁方式

为了满足开发者对计算量、模型体积、运算速度等极致的追求，PaddleDetection基于飞桨模型压缩工具PaddleSlim支持了多种模型压缩能力，包括剪裁，量化，蒸馏以及剪裁+蒸馏联合策略压缩方案，大幅减少模型参数或计算量，便于部署在受限的硬件环境中。

由上表可以看出，量化策略为模型带来 1.7% 的精度提升，同时体积压缩 3.71倍 ，速度提升 1.46倍 ，而采用蒸馏+裁剪的联合策略，在精度几乎无损的情况下，体积压缩了 3.05倍 ，加速 1.58倍 。

（二）灵活高效的部署方式，打通本地化、服务化、移动端的部署，支持Python、C++的部署语言及TensorRT的加速。

得益于飞桨预测库系列产品飞桨原生推理库Paddle Inference、飞桨轻量化推理引擎Paddle Lite和飞桨服务化部署框架Paddle Serving的能力，PaddleDetection支持开发者快速在 Linux、Windows、NV Jetson 等多系统多平台进行算法部署，同时提供了 Python 预测和 C++ 预测两种方式，覆盖主流检测、跟踪及关键点检测算法。另外 支持TensorRT动态尺寸输入及TensorRT INT8量化预测, 全面支持用户进行硬件加速。

算法性能强劲、功能丰富全面、开发部署敏捷易用 ，PaddleDetection期待大家的使用与反馈：

https://github.com/PaddlePaddle/PaddleDetection