PaddleDetection是飞桨推出的端到端目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。PaddleDetection以模块化的设计实现了多种主流目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。目前基于PaddleDetection已经完成落地的项目涉及工业质检、遥感图像检测、无人巡检等多个领域。
目前检测库下模型均要求使用PaddlePaddle1.7及以上版本或适当的develop版本。
简介特性：
模型丰富：
PaddleDetection提供了丰富的模型，包含目标检测、实例分割、人脸检测等100+个预训练模型，涵盖多种数据集竞赛冠军方案、适合云端/边缘端设备部署的检测方案。
易部署:
PaddleDetection的模型中使用的核心算子均通过C++或CUDA实现，同时基于PaddlePaddle的高性能推理引擎可以方便地部署在多种硬件平台上。
高灵活度：
PaddleDetection通过模块化设计来解耦各个组件，基于配置文件可以轻松地搭建各种检测模型。
高性能：
基于PaddlePaddle框架的高性能内核，在模型训练速度、显存占用上有一定的优势。例如，YOLOv3的训练速度快于其他框架，在TeslaV10016GB环境下，Mask-RCNN(ResNet50)可以单卡BatchSize可以达到4(甚至到5)。
支持的模型结构：
ResNetResNet-vd 1ResNeXt-vdSENetMobileNetHRNetRes2NetFasterR-CNN✓✓x✓✗✗✗FasterR-CNN+FPN✓✓✓✓✗✓✓MaskR-CNN✓✓x✓✗✗✗MaskR-CNN+FPN✓✓✓✓✗✗✓CascadeFaster-RCNN✓✓✓✗✗✗✗CascadeMask-RCNN✓✗✗✓✗✗✗LibraR-CNN✗✓✗✗✗✗✗RetinaNet✓✗✓✗✗✗✗YOLOv3✓✓✗✗✓✗✗SSD✗✗✗✗✓✗✗BlazeFace✗✗✗✗✗✗✗Faceboxes✗✗✗✗✗✗✗[1] ResNet-vd 模型预测速度基本不变的情况下提高了精度。
说明： ✓为模型库中提供了对应配置文件和预训练模型，✗为未提供参考配置，但一般都支持。
更多的模型:
EfficientDetFCOSCornerNet-SqueezeYOLOv4更多的Backone：
DarkNetVGGGCNetCBNetHourglass扩展特性：
SynchronizedBatchNorm GroupNorm ModulatedDeformableConvolution DeformablePSRoIPooling Non-local和GCNet
评论