主要模型效果示例如下（点击标题可快速跳转）：
| 通用目标检测 | 小目标检测 | 旋转框检测 | 3D目标物检测 |
|---|---|---|---|
 |
 |
 |
|
| 人脸检测 | 2D关键点检测 | 多目标追踪 | 实例分割 |
 |
|
|
 |
| 车辆分析——车牌识别 | 车辆分析——车流统计 | 车辆分析——违章检测 | 车辆分析——属性分析 |
|
|
|
|
| 行人分析——闯入分析 | 行人分析——行为分析 | 行人分析——属性分析 | 行人分析——人流统计 |
|
|
|
|
同时，PaddleDetection提供了模型的在线体验功能，用户可以选择自己的数据进行在线推理。
说明：考虑到服务器负载压力，在线推理均为CPU推理，完整的模型开发实例以及产业部署实践代码示例请前往🎗️产业特色模型|产业工具。
传送门：模型在线体验
RT-DETR解读文章传送门：代码传送门：RT-DETR
-
飞桨低代码开发工具（PaddleX）—— 面向国内外主流AI硬件的飞桨精选模型一站式开发工具。包含如下核心优势：
- 【产业高精度模型库】：覆盖10个主流AI任务 40+精选模型，丰富齐全。
- 【特色模型产线】：提供融合大小模型的特色模型产线，精度更高，效果更好。
- 【低代码开发模式】：图形化界面支持统一开发范式，便捷高效。
- 【私有化部署多硬件支持】：适配国内外主流AI硬件，支持本地纯离线使用，满足企业安全保密需要。
-
PaddleX官网地址：https://aistudio.baidu.com/intro/paddlex
-
PaddleX官方交流频道：https://aistudio.baidu.com/community/channel/610
社区贡献
活动链接传送门：Yes, PP-YOLOE! 基于PP-YOLOE的算法开发
PaddleDetection将检测模型解耦成不同的模块组件，通过自定义模块组件组合，用户可以便捷高效地完成检测模型的搭建。
传送门：🧩模块组件。PaddleDetection支持大量的最新主流的算法基准以及预训练模型，涵盖2D/3D目标检测、实例分割、人脸检测、关键点检测、多目标跟踪、半监督学习等方向。
传送门：📱模型库、⚖️模型性能对比。PaddleDetection打造产业级特色模型以及分析工具：PP-YOLOE+、PP-PicoDet、PP-TinyPose、PP-HumanV2、PP-Vehicle等，针对通用、高频垂类应用场景提供深度优化解决方案以及高度集成的分析工具，降低开发者的试错、选择成本，针对业务场景快速应用落地。
传送门：🎗️产业特色模型|产业工具。PaddleDetection整理工业、农业、林业、交通、医疗、金融、能源电力等AI应用范例，打通数据标注-模型训练-模型调优-预测部署全流程，持续降低目标检测技术产业落地门槛。
传送门：💡产业实践范例、🏆企业应用案例。
参考安装说明进行安装。
深度学习入门教程
- 零基础入门深度学习
- 零基础入门目标检测
技术交流合作
快速开始
数据准备
配置文件说明
模型开发
部署推理
产业实践范例
产业实践范例是PaddleDetection针对高频目标检测应用场景，提供的端到端开发示例，帮助开发者打通数据标注-模型训练-模型调优-预测部署全流程。 针对每个范例我们都通过AI-Studio提供了项目代码以及说明，用户可以同步运行体验。
传送门：产业实践范例完整列表
- 基于PP-YOLOE-R的旋转框检测
- 基于PP-YOLOE-SOD的无人机航拍图像检测
- 基于PP-Vehicle的交通监控分析系统
- 基于PP-Human v2的摔倒检测
- 基于PP-TinyPose增强版的智能健身动作识别
- 基于PP-Human的打架识别
- 基于Faster-RCNN的瓷砖表面瑕疵检测
- 基于PaddleDetection的PCB瑕疵检测
- 基于FairMOT实现人流量统计
- 基于YOLOv3实现跌倒检测
- 基于PP-PicoDetv2 的路面垃圾检测
- 基于人体关键点检测的合规检测
- 基于PP-Human的来客分析案例教程
- 持续更新中...
企业应用案例是企业在实生产环境下落地应用PaddleDetection的方案思路，相比产业实践范例其更多强调整体方案设计思路，可供开发者在项目方案设计中做参考。
传送门：企业应用案例完整列表
- 中国南方电网——变电站智慧巡检
- 国铁电气——轨道在线智能巡检系统
- 京东物流——园区车辆行为识别
- 中兴克拉—厂区传统仪表统计监测
- 宁德时代—动力电池高精度质量检测
- 中国科学院空天信息创新研究院——高尔夫球场遥感监测
- 御航智能——基于边缘的无人机智能巡检
- 普宙无人机——高精度森林巡检
- 领邦智能——红外无感测温监控
- 北京地铁——口罩检测
- 音智达——工厂人员违规行为检测
- 华夏天信——输煤皮带机器人智能巡检
- 优恩物联网——社区住户分类支持广告精准投放
- 螳螂慧视——室内3D点云场景物体分割与检测
- 持续更新中...
from https://github.com/PaddlePaddle/PaddleDetection
------
- PaddlePaddle 2.3.2
- OS 64位操作系统
- Python 3(3.5.1+/3.6/3.7/3.8/3.9/3.10)，64位版本
- pip/pip3(9.0.1+)，64位版本
- CUDA >= 10.2
- cuDNN >= 7.6
PaddleDetection 依赖 PaddlePaddle 版本关系：
| PaddleDetection版本 | PaddlePaddle版本 | 备注 |
|---|---|---|
| develop | >=2.3.2 | 默认使用动态图模式 |
| release/2.6 | >=2.3.2 | 默认使用动态图模式 |
| release/2.5 | >= 2.2.2 | 默认使用动态图模式 |
| release/2.4 | >= 2.2.2 | 默认使用动态图模式 |
| release/2.3 | >= 2.2.0rc | 默认使用动态图模式 |
| release/2.2 | >= 2.1.2 | 默认使用动态图模式 |
| release/2.1 | >= 2.1.0 | 默认使用动态图模式 |
| release/2.0 | >= 2.0.1 | 默认使用动态图模式 |
| release/2.0-rc | >= 2.0.1 | -- |
| release/0.5 | >= 1.8.4 | 大部分模型>=1.8.4即可运行，Cascade R-CNN系列模型与SOLOv2依赖2.0.0.rc版本 |
| release/0.4 | >= 1.8.4 | PP-YOLO依赖1.8.4 |
| release/0.3 | >=1.7 | -- |
# CUDA10.2
python -m pip install paddlepaddle-gpu==2.3.2 -i https://mirror.baidu.com/pypi/simple
# CPU
python -m pip install paddlepaddle==2.3.2 -i https://mirror.baidu.com/pypi/simple
- 更多CUDA版本或环境快速安装，请参考PaddlePaddle快速安装文档
- 更多安装方式例如conda或源码编译安装方法，请参考PaddlePaddle安装文档
请确保您的PaddlePaddle安装成功并且版本不低于需求版本。使用以下命令进行验证。
# 在您的Python解释器中确认PaddlePaddle安装成功
>>> import paddle
>>> paddle.utils.run_check()
# 确认PaddlePaddle版本
python -c "import paddle; print(paddle.__version__)"
注意
- 如果您希望在多卡环境下使用PaddleDetection，请首先安装NCCL
注意： pip安装方式只支持Python3
# 克隆PaddleDetection仓库
cd <path/to/clone/PaddleDetection>
git clone https://github.com/PaddlePaddle/PaddleDetection.git
# 安装其他依赖
cd PaddleDetection
pip install -r requirements.txt
# 编译安装paddledet
python setup.py install
注意
-
若您使用的是Windows系统，由于原版cocoapi不支持Windows，
pycocotools依赖可能安装失败，可采用第三方实现版本，该版本仅支持Python3pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI -
若您使用的是Python <= 3.6的版本，安装
pycocotools可能会报错distutils.errors.DistutilsError: Could not find suitable distribution for Requirement.parse('cython>=0.27.3'), 您可通过先安装cython如pip install cython解决该问题
安装后确认测试通过：
python ppdet/modeling/tests/test_architectures.py
测试通过后会提示如下信息：
.......
Ran 7 tests in 12.816s
OK恭喜！ 您已经成功安装了PaddleDetection，接下来快速体验目标检测效果
# 在GPU上预测一张图片
export CUDA_VISIBLE_DEVICES=0
python tools/infer.py -c configs/ppyolo/ppyolo_r50vd_dcn_1x_coco.yml -o use_gpu=true weights=https://paddledet.bj.bcebos.com/models/ppyolo_r50vd_dcn_1x_coco.pdparams --infer_img=demo/000000014439.jpg
会在output文件夹下生成一个画有预测结果的同名图像。
结果如下图：
from https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.7/docs/tutorials/INSTALL_cn.md#%E5%BF%AB%E9%80%9F%E4%BD%93%E9%AA%8C
No comments:
Post a Comment