超越 YOLOv5，1.3M 超轻量，高效易用，目标检测领域这一个就够了！-程序员宅基地
这个目标检测神器简直香炸了！它不仅连续登录Github全球趋势榜，拥有的全球尖端算法论文也接连登录全球技术趋势榜PaperWithCode。
这个神器就是刚刚全面升级的PaddleDetection2.0！它全面兼顾高性能算法、便捷开发、高效训练及完备部署，不论是通用目标检测，还是行人、车辆检测，不论是超高精度，还是超轻量超快速；不论是学术科研大神，还是入门萌新；全都满足你！
传送门：
https://github.com/PaddlePaddle/PaddleDetection
小编在此强烈号召小伙伴们 Star收藏一下，以防走丢。
下面，让我们直接用数据和事实来带大家看看这款开源项目具体有什么过人之处吧！
一． 全明星算法阵容:
1. 比YOLOv4、YOLOv5 更强的PP-YOLOv2
无需再纠结YOLOv3、YOLOv4、Scaled YOLOv4、YOLOv5到底选哪个了，选PPYOLOv2就对了！最高mAP 50.3%，最高FPS106.5FPS，超越YOLOv4甚至YOLOv5！又快又好，他不香么？
论文：https://arxiv.org/abs/2104.10419
2. 1.3M 超超超轻量目标检测算法PP-YOLO Tiny
需要在AIoT边缘轻量化芯片部署？1.3M够不够小？！比YOLO-Fastest、 NanoDet更强的PPYOLO-Tiny，AI走向产业无需再等，赶紧用起来！
3. 全面领先同类框架的RCNN系列算法
什么？还在用mmdetection和Detectron2？你Out了！RCNN系列模型（Faster RCNN, Mask RCNN, Cascade RCNN等）在PaddleDetection进行训练，比mmDetection和Detectron2在更短的时间获得更高的精度！
4. SOTA 的Anchor Free算法：PAFNet & PAFNet-Lite
连检测框都不要了？莫慌，PaddleDetection2.0带你紧跟全球科研动向。SOTA（最先进）的Anchor Free算法：PAFNet（Paddle Anchor Free）& PAFNet-Lite，从理论到直接使用，保证把你安排的明明白白！
论文：https://arxiv.org/abs/2104.13534
二． 全面功能覆盖：
除了以上全系列通用目标检测算法外，PaddleDetection2.0还额外覆盖旋转框检测、实例分割、行人检测、人脸检测、车辆检测等垂类任务。
还经过工业质检、安防巡检、卫星遥感、能源电力等等数十个真实行业场景深度打磨验证，直接加速各产业智能化升级！
三. 超强易用性、极易产业部署：
全面支持pip安装，动态图开发，压缩、部署等全流程方案打通，极大程度的提升了用户开发的易用性，加速了算法产业应用落地的速度。
1. 超强的算法压缩能力：
以YOLOv3-MobileNetv1模型为例，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！
YOLOv3-MobileNetV1 |
输入尺寸 |
精度（mAP） |
模型体积（MB） |
体积压缩比 |
延迟（骁龙855 4线程） |
加速比 |
Baseline |
608 |
28.8 |
94.2 |
- |
411ms |
- |
在线量化 |
608 |
30.5 |
25.4 |
3.71x |
281ms |
1.46x |
蒸馏 |
608 |
31.0 |
94.2 |
- |
411ms |
- |
蒸馏+剪裁联合策略 |
608 |
28.7 |
30.9 |
3.05x |
260ms |
1.58x |
2. 超完善的推理部署能力
适配Linux、Windows、NV Jetson等多系统多平台，同时提供Python预测和C++预测，额外适配TensorRT，支持TensorRT动态尺寸输入及TensorRT INT8量化预测, 模型预测加速性能满分！
模型 |
输入尺寸 |
Paddle Inference |
TensorRT FP32 |
TensorRT FP16 |
SSD_MobileNet_v1 |
300 |
5.17 |
4.43 |
4.29 |
YOLOv3_MobileNet_v1 |
608 |
9.74 |
8.61 |
6.28 |
FasterRCNN_R50_FPN |
640 |
27.99 |
26.16 |
21.92 |
PP-YOLO |
608 |
20.77 |
18.40 |
13.53 |
3. 良心完善的文档制作
精心打造的中英双语文档，从安装、数据准备到训练、评估、预测全流程，亲妈一样关心你使用产品时的每一个细节。
四、直播课预告
看到这里，小编已经热血沸腾了！如此用心制作的高水准产品，必须要深入学习一下！
百度飞桨AI快车道为了满足大家的需求，将于5月13、14、21日开设“目标检测技术3日直播课”，由百度资深研发工程师倾囊相授多年“炼丹”经验，赶紧扫码报名加入PaddleDetection技术交流群上车吧！更多课程及产品动态，将在群里及时公告。
扫描下方二维码，立即报名加入交流群
产业级目标检测技术直播课精彩抢先看
参考链接
更多PaddleDetection信息，欢迎访问GitHub点star后体验：
https://github.com/PaddlePaddle/PaddleDetection
智能推荐
如何配置filezilla服务端和客户端_filezilla server for windows (32bit x86)-程序员宅基地
文章浏览阅读7.8k次，点赞3次，收藏9次。如何配置filezilla服务端和客户端百度‘filezilla server’下载最新版。注意点：下载的版本如果是32位的适用xp和win2003，百度首页的是适用于win7或更高的win系统。32和64内容无异。安装过程也是一样的。一、这里的filezilla包括服务端和客户端。我们先来用filezilla server 架设ftp服务端。看步骤。1选择标准版的就可以了。 _filezilla server for windows (32bit x86)
深度学习图像处理01：图像的本质-程序员宅基地
文章浏览阅读724次，点赞18次，收藏8次。深度学习作为一种强大的机器学习技术，已经成为图像处理领域的核心技术之一。通过模拟人脑处理信息的方式，深度学习能够从图像数据中学习到复杂的模式和特征，从而实现从简单的图像分类到复杂的场景理解等多种功能。要充分发挥深度学习在图像处理中的潜力，我们首先需要理解图像的本质。本文旨在深入探讨深度学习图像处理的基础概念，为初学者铺平通往高级理解的道路。我们将从最基础的问题开始：图像是什么？我们如何通过计算机来理解和处理图像？
数据探索阶段——对样本数据集的结构和规律进行分析_数据分析 规律集-程序员宅基地
文章浏览阅读62次。在收集到初步的样本数据之后，接下来该考虑的问题有：（1）样本数据集的数量和质量是否满足模型构建的要求。（2）是否出现从未设想过的数据状态。（3）是否有明显的规律和趋势。（4）各因素之间有什么样的关联性。解决方案：检验数据集的数据质量、绘制图表、计算某些特征量等，对样本数据集的结构和规律进行分析。从数据质量分析和数据特征分析两个角度出发。_数据分析 规律集
上传计算机桌面文件图标不见,关于桌面上图标都不见了这类问题的解决方法-程序员宅基地
文章浏览阅读8.9k次。关于桌面上图标都不见了这类问题的解决方法1、在桌面空白处右击鼠标-->排列图标-->勾选显示桌面图标。2、如果问题还没解决，那么打开任务管理器(同时按“Ctrl+Alt+Del”即可打开)，点击“文件”→“新建任务”，在打开的“创建新任务”对话框中输入“explorer”，单击“确定”按钮后，稍等一下就可以见到桌面图标了。3、问题还没解决，按Windows键+R(或者点开始-->..._上传文件时候怎么找不到桌面图标
LINUX 虚拟网卡tun例子——修改_怎么设置tun的接收缓冲-程序员宅基地
文章浏览阅读1.5k次。参考：http://blog.csdn.net/zahuopuboss/article/details/9259283 #include #include #include #include #include #include #include #include #include #include #include #include _怎么设置tun的接收缓冲
UITextView 评论输入框 高度自适应-程序员宅基地
文章浏览阅读741次。创建一个inputView继承于UIView- (instancetype)initWithFrame:(CGRect)frame{ self = [superinitWithFrame:frame]; if (self) { self.backgroundColor = [UIColorcolorWithRed:0.13gre
随便推点
字符串基础面试题_java字符串相关面试题-程序员宅基地
文章浏览阅读594次。字符串面试题（2022）_java字符串相关面试题
VSCODE 实现远程GUI，显示plt.plot， 设置x11端口转发_vscode远程ssh连接服务器 python 显示plt-程序员宅基地
文章浏览阅读1.4w次，点赞12次，收藏21次。VSCODE 实现远程GUI，显示plt.plot， 设置x11端口转发问题服务器 linux ubuntu16.04本地 windows 10很多小伙伴发现VSCode不能显示figure，只有用自带的jupyter才能勉强个截图、或者转战远程桌面，这对数据分析极为不方便。在命令行键入xeyes（一个显示图像的命令）会failed，而桌面下会出现：但是Xshell能实现X11转发图像，有交互功能，但只能用Xshell输入命令plot，实在不方便。其实VScode有X11转发插件！！方法_vscode远程ssh连接服务器 python 显示plt
Java SE | 网络编程 TCP、UDP协议 Socket套接字的使用_javase套接字socket-程序员宅基地
文章浏览阅读529次。网络编程_javase套接字socket
element-ui switch开关打开和关闭时的文字设置样式-程序员宅基地
文章浏览阅读3.3k次，点赞2次，收藏2次。element switch开关文字显示element中switch开关把on-text 和 off-text 属性改为 active-text 和 inactive-text 属性.怎么把文字描述显示在开关上?下面就是实现方法: 1 <el-table-column label="状态"> 2 <template slot-scope="scope">..._el-switch 不同状态显示不同字
HttpRequestUtil方法get、post、JsonToPost_httprequestutil.httpget-程序员宅基地
文章浏览阅读785次。java后台发起请求使用的工具类package com.cennavi.utils;import org.apache.http.Header;import org.apache.http.HttpResponse;import org.apache.http.HttpStatus;import org.apache.http.client.HttpClient;import org.apache.http.client.methods.HttpPost;import org.apach_httprequestutil.httpget
App-V轻量级应用程序虚拟化之三客户端测试-程序员宅基地
文章浏览阅读137次。在前两节我们部署了App-V Server并且序列化了相应的软件，现在可谓是万事俱备，只欠东风。在这篇博客里面主要介绍一下如何部署客户端并实现应用程序的虚拟化。在这里先简要的说一下应用虚拟化的工作原理吧！App-V Streaming 就是利用templateServer序列化出一个软件运行的虚拟环境，然后上传到app-v Server上，最后客户..._app-v 客户端