PaddleDetection v2.7.0

Комплект разработки для обнаружения целей с летающими веслами PaddleDetection предназначен для того, чтобы помочь разработчикам быстрее и лучше завершить весь процесс разработки модели обнаружения, обучения, оптимизации и развертывания.

PaddleDetection модульно реализует множество основных алгоритмов обнаружения целей, предоставляет богатые стратегии улучшения данных, компоненты сетевых модулей (такие как магистральные сети), функции потерь и т. д., а также объединяет возможности сжатия моделей и высокопроизводительного кросс-платформенного развертывания.

После длительной промышленной практики и совершенствования PaddleDetection стал удобным и превосходным пользовательским интерфейсом и широко используется разработчиками в более чем десяти отраслях, таких как контроль промышленного качества, обнаружение изображений с помощью дистанционного зондирования, беспилотный контроль, новая розничная торговля, Интернет и научная деятельность. исследовать.

характеристика

Богатые модели: в том числе более 100 предварительно обученных моделей, таких как обнаружение целей, сегментация экземпляров, обнаружение лиц и т. д., охватывающие различные решения для мировых соревнований.

Простота в использовании: модульная конструкция, разделение различных сетевых компонентов позволяют разработчикам легко создавать и опробовать различные модели обнаружения и стратегии оптимизации, а также быстро получать высокопроизводительные индивидуальные алгоритмы.

Сквозное подключение: сквозное подключение, включая улучшение данных, работу в сети, обучение, сжатие и развертывание, а также полную поддержку облачных/периферийных мультиархитектур и развертываний на нескольких устройствах.

Высокая производительность: благодаря высокопроизводительному ядру летающего весла скорость обучения модели и использование памяти очевидны. Поддерживает обучение FP16 и обучение на нескольких машинах.

Журнал изменений PaddleDetection v2.3.0

Богатство моделей

Выпущены модели обнаружения трансформаторов: DETR, Deformable DETR, Sparse RCNN.

Добавлена ​​новая модель Dark для обнаружения ключевых точек и выпущена модель Dark HRNet.

Выпущен набор данных MPII. Модель обнаружения ключевых точек HRNet.

Публикация вертикальных моделей отслеживания головы и транспортных средств

Оптимизация модели

Модель обнаружения вращающегося кадра S2ANet выпускает модель оптимизации Align Conv, а набор данных DOTA mAP оптимизирован до версии 74.0.

Прогнозируемое развертывание

Основные модели поддерживают развертывание прогнозирования размера пакета> 1, включая YOLOv3, PP-YOLO, Faster RCNN, SSD, TTFNet, FCOS

Добавлена ​​поддержка прогнозирования на стороне Python для многоцелевых моделей отслеживания (JDE, FairMot, DeepSort) и поддержка прогнозирования TensorRT.

Добавлена ​​модель отслеживания нескольких целей. Развертывание совместной модели обнаружения ключевых точек FairMot. Поддержка развертывания прогнозирования на стороне Python.

Новая модель обнаружения ключевых точек в сочетании с поддержкой развертывания прогнозирования PP-YOLO.

документ

В документацию по прогнозному развертыванию Windows добавлены новые инструкции TensorRT.

Выпущено обновление документа FAQ

Исправления ошибок

Устранить проблему сходимости при обучении модели серии PP-YOLO.

Устранена проблема обучения немаркированных данных, когда размер пакета> 1.