Metadata-Version: 2.1
Name: paddledet
Version: 2.0.1
Summary: Object detection and instance segmentation toolkit based on PaddlePaddle
Home-page: https://github.com/PaddlePaddle/PaddleDetection
Author: PaddlePaddle
License: Apache License 2.0
Download-URL: https://github.com/PaddlePaddle/PaddleDetection.git
Description: 简体中文 | [English](README_en.md)
        
        # PaddleDetection
        
        ### PaddleDetection 2.0全面升级！目前默认使用动态图版本，静态图版本位于[static](./static)中
        
        
        # 简介
        
        PaddleDetection飞桨目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的组建、训练、优化及部署等全开发流程。
        
        PaddleDetection模块化地实现了多种主流目标检测算法，提供了丰富的数据增强策略、网络模块组件（如骨干网络）、损失函数等，并集成了模型压缩和跨平台高性能部署能力。
        
        经过长时间产业实践打磨，PaddleDetection已拥有顺畅、卓越的使用体验，被工业质检、遥感图像检测、无人巡检、新零售、互联网、科研等十多个行业的开发者广泛应用。
        
        <div align="center">
          <img src="static/docs/images/football.gif" width='800'/>
        </div>
        
        ### 产品动态
        - 2021.04.14: 发布release/2.0版本，PaddleDetection全面支持动态图，覆盖静态图模型算法，全面升级模型效果，同时发布PP-YOLO v2模型，新增旋转框检测S2ANet模型，详情参考[PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.0)
        - 2021.02.07: 发布release/2.0-rc版本，PaddleDetection动态图试用版本，详情参考[PaddleDetection动态图](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.0-rc)。
        
        ### 特性
        
        - **模型丰富**: 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**全球竞赛冠军**方案
        - **使用简洁**：模块化设计，解耦各个网络组件，开发者轻松搭建、试用各种检测模型及优化策略，快速得到高性能、定制化的算法。
        - **端到端打通**: 从数据增强、组网、训练、压缩、部署端到端打通，并完备支持**云端**/**边缘端**多架构、多设备部署。
        - **高性能**: 基于飞桨的高性能内核，模型训练速度及显存占用优势明显。支持FP16训练, 支持多机训练。
        
        
        ### 套件结构概览
        
        <table>
          <tbody>
            <tr align="center" valign="bottom">
              <td>
                <b>Architectures</b>
              </td>
              <td>
                <b>Backbones</b>
              </td>
              <td>
                <b>Components</b>
              </td>
              <td>
                <b>Data Augmentation</b>
              </td>
            </tr>
            <tr valign="top">
              <td>
                <ul><li><b>Two-Stage Detection</b></li>
                  <ul>
                    <li>Faster RCNN</li>
                    <li>FPN</li>
                    <li>Cascade-RCNN</li>
                    <li>Libra RCNN</li>
                    <li>Hybrid Task RCNN</li>
                    <li>PSS-Det</li>
                  </ul>
                </ul>
                <ul><li><b>One-Stage Detection</b></li>
                  <ul>
                    <li>RetinaNet</li>
                    <li>YOLOv3</li>
                    <li>YOLOv4</li>  
                    <li>PP-YOLO</li>
                    <li>SSD</li>
                  </ul>
                </ul>
                <ul><li><b>Anchor Free</b></li>
                  <ul>
                    <li>CornerNet-Squeeze</li>
                    <li>FCOS</li>  
                    <li>TTFNet</li>
                  </ul>
                </ul>
                <ul>
                  <li><b>Instance Segmentation</b></li>
                    <ul>
                     <li>Mask RCNN</li>
                     <li>SOLOv2</li>
                    </ul>
                </ul>
                <ul>
                  <li><b>Face-Detction</b></li>
                    <ul>
                     <li>FaceBoxes</li>
                     <li>BlazeFace</li>
                     <li>BlazeFace-NAS</li>
                    </ul>
                </ul>
              </td>
              <td>
                <ul>
                  <li>ResNet(&vd)</li>
                  <li>ResNeXt(&vd)</li>
                  <li>SENet</li>
                  <li>Res2Net</li>
                  <li>HRNet</li>
                  <li>Hourglass</li>
                  <li>CBNet</li>
                  <li>GCNet</li>
                  <li>DarkNet</li>
                  <li>CSPDarkNet</li>
                  <li>VGG</li>
                  <li>MobileNetv1/v3</li>  
                  <li>GhostNet</li>
                  <li>Efficientnet</li>  
                </ul>
              </td>
              <td>
                <ul><li><b>Common</b></li>
                  <ul>
                    <li>Sync-BN</li>
                    <li>Group Norm</li>
                    <li>DCNv2</li>
                    <li>Non-local</li>
                  </ul>  
                </ul>
                <ul><li><b>FPN</b></li>
                  <ul>
                    <li>BiFPN</li>
                    <li>BFP</li>  
                    <li>HRFPN</li>
                    <li>ACFPN</li>
                  </ul>  
                </ul>  
                <ul><li><b>Loss</b></li>
                  <ul>
                    <li>Smooth-L1</li>
                    <li>GIoU/DIoU/CIoU</li>  
                    <li>IoUAware</li>
                  </ul>  
                </ul>  
                <ul><li><b>Post-processing</b></li>
                  <ul>
                    <li>SoftNMS</li>
                    <li>MatrixNMS</li>  
                  </ul>  
                </ul>
                <ul><li><b>Speed</b></li>
                  <ul>
                    <li>FP16 training</li>
                    <li>Multi-machine training </li>  
                  </ul>  
                </ul>  
              </td>
              <td>
                <ul>
                  <li>Resize</li>  
                  <li>Flipping</li>  
                  <li>Expand</li>
                  <li>Crop</li>
                  <li>Color Distort</li>  
                  <li>Random Erasing</li>  
                  <li>Mixup </li>
                  <li>Cutmix </li>
                  <li>Grid Mask</li>
                  <li>Auto Augment</li>  
                </ul>  
              </td>  
            </tr>
        
        
        </td>
            </tr>
          </tbody>
        </table>
        
        #### 模型性能概览
        
        各模型结构和骨干网络的代表模型在COCO数据集上精度mAP和单卡Tesla V100上预测速度(FPS)对比图。
        
        <div align="center">
          <img src="docs/images/fps_map.png" />
        </div>
        
        **说明：**
        
        - `CBResNet`为`Cascade-Faster-RCNN-CBResNet200vd-FPN`模型，COCO数据集mAP高达53.3%
        - `Cascade-Faster-RCNN`为`Cascade-Faster-RCNN-ResNet50vd-DCN`，PaddleDetection将其优化到COCO数据mAP为47.8%时推理速度为20FPS
        - `PP-YOLO`在COCO数据集精度45.9%，Tesla V100预测速度72.9FPS，精度速度均优于[YOLOv4](https://arxiv.org/abs/2004.10934)
        - `PP-YOLO v2`是对`PP-YOLO`模型的进一步优化，在COCO数据集精度49.5%，Tesla V100预测速度68.9FPS
        - 图中模型均可在[模型库](#模型库)中获取
        
        ## 文档教程
        
        ### 入门教程
        
        - [安装说明](docs/tutorials/INSTALL_cn.md)
        - [快速开始](docs/tutorials/QUICK_STARTED_cn.md)
        - [如何准备数据](docs/tutorials/PrepareDataSet.md)
        - [训练/评估/预测流程](docs/tutorials/GETTING_STARTED_cn.md)
        
        ### 进阶教程
        
        - 参数配置
            - [RCNN参数说明](docs/tutorials/config_annotation/faster_rcnn_r50_fpn_1x_coco_annotation.md)
            - [PP-YOLO参数说明](docs/tutorials/config_annotation/ppyolo_r50vd_dcn_1x_coco_annotation.md)
        - 模型压缩(基于[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim))
            - [剪裁/量化/蒸馏教程](configs/slim)
        - [推理部署](deploy/README.md)
            - [模型导出教程](deploy/EXPORT_MODEL.md)
            - [Python端推理部署](deploy/python)
            - [C++端推理部署](deploy/cpp)
            - [服务端部署](deploy/serving)
            - [推理benchmark](deploy/BENCHMARK_INFER.md)
        - 进阶开发
            - [数据处理模块](docs/advanced_tutorials/READER.md)
            - [新增检测模型](docs/advanced_tutorials/MODEL_TECHNICAL.md)
        
        
        ## 模型库
        
        - 通用目标检测:
            - [模型库](docs/MODEL_ZOO_cn.md)
            - [移动端模型](static/configs/mobile/README.md)
            - [PP-YOLO模型](configs/ppyolo/README_cn.md)
            - [676类目标检测](static/docs/featured_model/LARGE_SCALE_DET_MODEL.md)
            - [两阶段实用模型PSS-Det](configs/rcnn_enhance/README.md)
            - [增强版Anchor Free模型TTFNet](configs/ttfnet/README.md)
            - [半监督知识蒸馏预训练检测模型](docs/feature_models/SSLD_PRETRAINED_MODEL.md)
        - 通用实例分割
            - [SOLOv2](configs/solov2/README.md)
        - 旋转框检测
            - [S2ANet](configs/dota/README.md)
        - 垂类领域
            - [行人检测](configs/pedestrian/README.md)
            - [车辆检测](configs/vehicle/README.md)
            - [人脸检测](configs/face_detection/README.md)
        - 比赛冠军方案
            - [Objects365 2019 Challenge夺冠模型](static/docs/featured_model/champion_model/CACascadeRCNN.md)
            - [Open Images 2019-Object Detction比赛最佳单模型](static/docs/featured_model/champion_model/OIDV5_BASELINE_MODEL.md)
        
        ## 应用案例
        
        - [人像圣诞特效自动生成工具](static/application/christmas)
        
        ## 第三方教程推荐
        
        - [PaddleDetection在Windows下的部署(一)](https://zhuanlan.zhihu.com/p/268657833)
        - [PaddleDetection在Windows下的部署(二)](https://zhuanlan.zhihu.com/p/280206376)
        - [Jetson Nano上部署PaddleDetection经验分享](https://zhuanlan.zhihu.com/p/319371293)
        - [安全帽检测YOLOv3模型在树莓派上的部署](https://github.com/PaddleCV-FAQ/PaddleDetection-FAQ/blob/main/Lite%E9%83%A8%E7%BD%B2/yolov3_for_raspi.md)
        - [使用SSD-MobileNetv1完成一个项目--准备数据集到完成树莓派部署](https://github.com/PaddleCV-FAQ/PaddleDetection-FAQ/blob/main/Lite%E9%83%A8%E7%BD%B2/ssd_mobilenet_v1_for_raspi.md)
        
        ## 版本更新
        
        v2.0版本已经在`04/2021`发布，全面支持动态图版本，新增支持BlazeFace, PSSDet等系列模型和大量骨干网络，发布PP-YOLO v2, PP-YOLO tiny和旋转框检测S2ANet模型。支持模型蒸馏、VisualDL，新增动态图预测部署benchmark，详细内容请参考[版本更新文档](docs/CHANGELOG.md)。
        
        
        ## 许可证书
        
        本项目的发布受[Apache 2.0 license](LICENSE)许可认证。
        
        
        ## 贡献代码
        
        我们非常欢迎你可以为PaddleDetection提供代码，也十分感谢你的反馈。
        
        
        ## 引用
        
        ```
        @misc{ppdet2019,
        title={PaddleDetection, Object detection and instance segmentation toolkit based on PaddlePaddle.},
        author={PaddlePaddle Authors},
        howpublished = {\url{https://github.com/PaddlePaddle/PaddleDetection}},
        year={2019}
        }
        ```
        
Keywords: ppdet paddle ppyolo
Platform: UNKNOWN
Classifier: Intended Audience :: Developers
Classifier: License :: OSI Approved :: Apache Software License
Classifier: Operating System :: OS Independent
Classifier: Natural Language :: Chinese (Simplified)
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.5
Classifier: Programming Language :: Python :: 3.6
Classifier: Programming Language :: Python :: 3.7
Classifier: Topic :: Utilities
Description-Content-Type: text/markdown
