只有0.7M?超超超轻量SOTA目标检测模型揭秘!

目标检测算法汇总:RCNN系列、YOLO系列、SSD系列 常见的目标检测算法1、传统的目标检测方法2、候选区域/窗+分类3、回归 目前,常见的目标检测(object detection)算法分为3类: 1、传统的目标检测方法:特征提取+分类器 2、候选区域/窗+分类:R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN 3、回归:YOLO系列、SSD系列 1、传统的目标检测方法 2、候选区域/窗+分类 2.1 3、回归 参考: 1、一文读懂目标检测:R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD . 阅读详情

目标检测作为计算机视觉领域的顶梁柱,不仅可以独立完成车辆、商品、缺陷检测等任务,也是人脸识别、视频分析、以图搜图等复合技术的核心模块,在自动驾驶、工业视觉、安防交通等领域的商业价值有目共睹。

1b58232ed87dc149085125b661695fd3.gif

正因如此,YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷,各有优劣侧重。而在当前云、边、端多场景协同的产业大趋势下,运行速度、模型计算量、模型格式转化、硬件适配、统一部署方案等实际问题都需要考虑,到底该怎么选呢?

今天小编就给大家推荐一个,针对云、边、端各环境都深层优化的超强目标检测开发套件 — PaddleDetection。无论你追求的是高精度、轻量化,还是场景预训练模型,它其中的模型都能以业界最高标准满足你的需求。同时,这些模型都拥有统一的使用方式及部署策略,不再需要进行模型转化、接口调整,更贴合工业大生产标准化、模块化的需求!

78d48cb079c86aebaecba3f38cca0384.png

还在等什么!赶紧查看全部开源代码并Star收藏吧!!

传送门: 

https://github.com/PaddlePaddle/PaddleDetection

bf9a52695f4725896011d717dc565852.png

下面,让我们来详细解读下这个开发套件中的模型,是如何达到业界最高标准,又如何提供产业最佳实践体验的!

PP-YOLOE:

高精度SOTA目标检测模型

PP-YOLOE根据不同应用场景设计了s/m/l/x,4个尺寸的模型来支持不同算力水平的硬件,无论是哪个尺寸,精度-速度都超越当前所有同等计算量下的YOLO模型!

  • 性能卓越:具体来说,PP-YOLOE-l在COCO test-dev上以精度51.4%,TRT FP16推理速度149FPS的优异数据,相较YOLOX,精度提升1.3%,加速25%;相较YOLOv5,精度提升0.7%,加速26.8%。训练速度较PP-YOLOv2提高33%,大幅降低模型训练成本。

  • 部署友好:与此同时,PP-YOLOE在结构设计上避免使用如deformable convolution或者matrix nms之类的特殊算子,使其能轻松适配更多硬件。当前已经完备支持NVIDIA V100、T4这样的云端GPU架构以及如Jetson系列等边缘端GPU和FPGA开发板。

PP-YOLOE完整代码实现:

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe

技术报告:

https://arxiv.org/abs/2203.16250

PP-PicoDet:

0.7M超超超轻量SOTA目标检测模型

超乎想象的超小体积及超预期的性能,使PP-PicoDet成为边缘、低功耗硬件部署的最佳选择。

  • 更强性能:PP-PicoDet-S参数量仅有1.18M,却有32.5%mAP的精度,不仅精度比相较YOLOX-Nano高6.7%,推理速度还提升了26%;相较比NanoDet-Plus,mAP也高出了2%,速度提升30%。最新增加的PP-PicoDet-XS更是仅有0.7M,在CPU上预测速度可达250FPS以上,在训练速度上也大幅提升一倍以上。

  • 更好优化支持:考虑到端侧对计算量的优化追求是极致的,PP-PicoDet在模型量化训练和稀疏化压缩方案支持方面做了更深度的打磨,仅需两步,即可实现在移动端部署加速30%以上的效果。

53afd2bdc1d65ae263d3f335c1a30894.png

  • 更友好部署:为了部署更加轻松高效, PP-PicoDet在模型导出环节, 将模型的后处理包含在了网络中,支持预测直接输出检测结果,无需额外开发后处理模块,还能端到端加速10%-20%。

PP-PicoDet代码实现:

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/picodet
技术报告地址:

https://arxiv.org/abs/2111.00902

更多开源社区优秀算法

统一、极致的开发体验

PaddleDetection还第一时间收录了如YOLOv4、YOLOX及SwinTransformer等在内的前沿优秀算法,与Faster-RCNN、YOLOv3等经典算法一同,为用户提供极致简单、统一的使用方式, 且得益于飞桨原生推理库Paddle Inference及飞桨端侧推理框架Paddle Lite的能力,通过支持TensorRT和OpenVino,开发者可以快速完成在服务端和边缘端GPU或ARM CPU、NPU等硬件上的高性能加速部署。此外,PaddleDetection还支持一键导出为ONNX格式,顺畅对接ONNX生态。

32ba11c4169cafe53caf330a8abc29d6.png

以上所有模型、代码及使用文档、Demo均在PaddleDetection中开源提供,从此无需再内卷,通用目标检测,这一个项目就够了!

赶紧🌟Star🌟收藏订阅最新动态吧!

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4

直播课预告

为了让开发者们更深入的了解PaddleDetection这次的全新模型,解决落地应用难点,掌握产业实践的核心能力,飞桨团队精心准备了为期三天的直播课程!

4月19日-21日每晚20:30,百度资深高工们将为我们从超强检测矩阵,到行人分析检测拓展应用,最后再到产业案例全流程实操,对各类痛难点解决方案进行手把手拆解,还有直播现场互动答疑,还在等什么!抓紧扫码上车吧!

2c9d08d394898265bc4c943df44c13f3.png

( 扫码报名直播课,加入技术交流群)

de062c1225bb3a161e0b2665e8e7d805.png

第五章:AI大模型应用实战(二):计算机视觉5.2 目标检测5.2.3 模型评估与优化 1.背景介绍 AI大模型应用实战(二):计算机视觉-5.2 目标检测-5.2.3 模型评估与优化 作者:禅与计算机程序设计艺术 1. 背景介绍 随着计算机视觉技术的快速发展,目标检测已成为自动 阅读详情

相关推荐

常见经典目标检测算法

针对单阶段检测器在分类和定位任务上的不平衡问题,提出了Focal Loss,有效缓解了背景类样本对模型训练的影响,提高了对难分类样本的学习能力,使得RetinaNet在保持高检测速度的同时,精度达到了与两阶段检测器相当的水平。YOLO以其高效的速度受到广泛关注。SSD结合了YOLO的速度和Faster R-CNN的准确性,通过在不同分辨率的特征图上使用不同大小的滤波器来直接预测边界框和类别概率,提高了目标检测的速度和效果。这些算法在目标检测领域都取得了显著的成绩,为后续的研究和应用提供了坚实的基础。

数字人生 4027

高精度PP-YOLOE

目标检测作为计算机视觉领域的顶梁柱,不仅可以独立完成车辆、商品、缺陷检测等任务,也是人脸识别、视频分析、以图搜图等复合技术的核心模块,在自动驾驶、工业视觉、安防交通等领域的商业价值有目共睹。 正因如此,YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷,各有优劣侧重。而在当前云、边、端多场景协同的产业大趋势下,运行速度、模型计算量、模型格式转化、硬件适配、统一部署方案等实际问题都需要考虑,到底该怎么选呢? 今天小编就给大家推荐一个,针对云、边、端各环境都深层优化的超强

百度大脑 1576

无人机避障——Mid360+Fast-lio感知建图+Ego-planner运动规划(胎教级教程)

本工作将 Mid360 激光雷达、Fastlio-SLAM 和 Ego-Planner 集成,实现无人机的环境感知、定位建图和运动规划(仿真过程)—— 胎教级教程。

weixin_45390670的博客 1万+

目标检测算法RCNN,Fast RCNN,Faster RCNN,YOLO和SSD

object detection,目标检测,就是在给定图片中精确找到物体所在位置,并标注出物体的类别。所以,object detection 要解决的问题就是物体在哪里以及是什么的整个流程问题。目前最常听到的目标检测算法就是RCNN系列(RCNN-->Fast RCNN-->Faster RCNN),YOLO和SSD,正好参加的比赛中需要用到目标检测知识,所以就趁此机会整理一下。...

陶将的博客 1万+

文献计量VOSviewer分析知网文献基本操作及实用技巧

本教程旨在为读者提供一个关于VOS viewer的初级使用指南。VOS viewer是一个强大的科学研究可视化工具,主要用于构建和可视化科学地图。它能够处理大规模的科研数据,包括文献引用、共引、共词、共作者等信息。无论你是科研人员,还是数据分析师,甚至是研究生,都能在这个教程中找到使用VOS viewer的有效方法。我们将一步步教你如何使用这个软件,以及如何利用它进行科研数据的可视化。

Jia_n的博客 8773

阿里云百炼平台创建智能体-上传文档

阿里云百炼智能体-上传文档文件

weixin_43930851的博客 1358

YOLOv10官方镜像参数量对比:轻量化的秘密揭晓

本文介绍了如何在星图GPU平台上自动化部署YOLOv10 官版镜像,实现高效的目标检测功能。基于该平台,用户可快速搭建环境并运行模型,适用于工业质检、视频监控等典型场景,显著提升实时检测效率与部署便捷性。

weixin_33750664的博客 677

lumerical中DEVICE和MODE模块的交互使用(真的很干货!!可以自信的说网上绝对找不到比我更详细的步骤了)

几个脚本文件很重要! Lumerical仿真流程: 一、DEVICE: (1).建模并且运行完之后,在脚本提示符下键入以下脚本行以运行plotDopingProfile.lsf如图1(文件名如果索引不到的话就可以把文件直接用notepad++打开,然后把代码直接输入到device中script脚本中 如图2)脚本文件并生成下图 如图3: (图2) (图1) (图3) (2).仿真...

1万+

【环境配置】PPYOLOE训练自己的数据集(自用)

PPYOLOE训练自己的数据

Gorgeous_wxd 5323

粒子群算法实战:用Matlab解决旅行商问题(TSP)的完整代码解析

本文提供了使用粒子群算法解决旅行商问题的完整Matlab实战指南。通过将连续空间的粒子群算法进行离散化改造,采用基于交换序的策略来更新粒子位置与速度,并给出了从问题定义、数据结构设计、核心函数实现到主迭代循环的详细代码解析。文章还探讨了参数调优、性能优化及处理复杂TSP变体的进阶思路,为物流规划、路径优化等领域的工程应用提供了可直接复用的解决方案。

m2n3o4p5的博客 350

手把手教你完成基于cnn的手写数字识别系统MATLAB语言

手写数字识别是经典的 CNN 分类应用之一,常用的数据集就是 MNIST 手写数字数据集,包含 0~9 这 10 个数字的手写图片,每个数字都由 6 万幅训练图像和 1 万幅测试图像构成。为了便于直观分析,这里选择 MATLAB 工具箱提供的 DigitDataset 进行训练识别,读者也可以直接利用 MNIST 数据集或者自己设计的数据集进行实验。其中,数据集文件夹 db 如图 所示。在数据集文件夹 db 里面对每个数字都建立了子文件夹,各自包含 1000 幅 28×28 大小的二维灰度图像。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 1370

基于ppyoloe-sod海星目标检测

基于ppyoloe-sod海星目标检测,并采取了切图和数据增强的策略

m0_63642362的博客 470

零差云控 ZeroErr eRob 电机 CAN、CANopen、EtherCAT、ROS2 机器人开发详细教程

TwinCAT 3(Windows 控制与自动化技术)是 Beckhoff 提供的开发平台,可将任何兼容 PC 转变为实时控制系统,用于管理各种类型的工业自动化系统,如 PLC(可编程逻辑控制器)、运动控制、机器人等。

机器人控制与仿真应用 1万+

【AI达人特训营第三期】基于PPYOLOE+的烟头检测(安卓端部署)

保姆级教程烟头检测,基于SOTA模型PPYOLOE+_X,好用且易懂,快来看看吧,还能部署到安卓端

m0_63642362的博客 1203

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

市面上目标检测算法总结

市面上现在比较流行的目标检测算法优缺点、各项指标与性能优劣

weixin_70423469的博客 3367

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

人工智能目标检测算法

目标检测是计算机视觉领域中的一个重要任务,其目的是在图像或视频中识别并定位目标对象。与图像分类不同,目标检测不仅要识别目标的类别,还要确定目标的位置和大小。目标检测的核心挑战在于如何在复杂的背景下准确、快速地检测多个目标。目标检测是人工智能和计算机视觉领域的重要任务,通过不断的发展和优化,目标检测算法已经在多个实际应用中取得了显著成果。

yang295242361的博客 1029

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

深入探讨人工智能目标检测:算法、应用与未来趋势

目标检测是计算机视觉领域中的一项任务,旨在从图像或视频中自动识别和定位特定的目标物体。具体而言,目标检测的目的是找到图像中感兴趣的目标,并用边界框标记出它们的位置,同时确定它们的类别。YOLO(You Only Look Once)和SSD(Single Shot Multibox Detector)等单阶段目标检测算法能够在一次前向传播中完成目标的分类和位置回归,实现了更快的实时性能。随着技术的不断演进,人工智能目标检测将在各个领域发挥更为重要的作用,为社会带来更智能化的未来。

BetrayFree的博客 1695

超越YOLOv4的目标检测算法-PP-YOLO

PP-YOLO的实验评估指标比现有最先进的对象检测模型YOLOv4表现出更好的性能,然而,本文并不打算介绍一种新型的目标检测器,而更像是一个食谱,告诉你如何逐步建立一个更好的探测器。让我...

深度学习与计算机视觉 2108

目前各类型准确率最高的图像识别算法

3、语义分割:截至2021年,最准确的语义分割算法是u - net++,它在CamVid和cityscape数据集上的IoU(交集超过联合)分数分别为92.8%和97.5%。2、图像分类:截至2021年,最准确的图像分类算法是EfficientNet-L2,它在ImageNet数据集上的top-1精度最高,达到90.4%。1、目标检测:截至2021年,最准确的目标检测算法是YOLOv4,它在COCO数据集上的mAP(平均平均精度)得分为43.5%。

roxxo的博客 6144

ICCV2023|遥感旋转目标检测新SOTA来啦!

作者丨李宇轩@知乎(已授权)来源丨https://zhuanlan.zhihu.com/p/614449075编辑丨极市平台Paper:https://arxiv.org/pdf/2303.09030.pdf代码:https://github.com/zcablii/Large-Selective-Kernel-NetworkAbstract最近关于遥感物体检测的研究主要集中在改进旋转包围框的表示...

深度学习技术前沿 2349

AI实战训练营&目标检测与MMDetection

然后进行reshape,拿一张图片举个例子,图片的shape是(W,H,D=18),然后我们会把他reshape以进行softmax(进行softmax的matrix的一边需要等于num of class,在这里是一个二分类,即是否含有物体,所以是2)。像传统的目标检测算法,通常会使用相同大小的滑块,依次在图片上进行处理,这种做法非常耗时,也对计算机的性能有要求,当我们用遍历的方式去对增幅图片进行处理,是非常麻烦的。1的filter进行卷积,一共为18个,生成的新的图片是18-D的。

shengweiit的博客 200

AI探索测试未来:人工智能与自动化测试的结合实战,文末实用干货自行领取!

人工智能与测试结合现状 最近在各个行业技术会议上,出现了越来越多的人工智能与测试结合的topic。比如最近几个跟人工智能相关的内容。 议题 公司 基于AIGC的蚂蚁新一代测试用例自动生成技术 蚂蚁集团 百度单元测试智能生成实践 百度 基于代码地图的组件测试用例自动生成实践 华为 类chatGPT大语言模型在自动化测试的前沿应用与案例分享 腾讯 大模型助力智能单测生成 字节跳动 华为云基于失败率预测及优化算法的回归用例优选一精准测试实践 华为云 人工智能与测试的结合话题

霍格沃兹测试学院的博客 2882

人工智能--目标检测

区域卷积神经网络(Region-based Convolutional Neural Network,R-CNN)是目标检测领域的一个重要里程碑,为后续更先进的目标检测算法奠定了基础。🍈R-CNN 的详细工作原理R-CNN(Region-based Convolutional Neural Network)是目标检测领域的一项开创性工作,其独特的方法为后续的目标检测算法提供了重要的思路和基础。🍍工作流程目标检测是计算机视觉领域的重要任务,旨在从图像或视频中准确识别和定位感兴趣的目标对象。

考研小钻风 3867

今天来聊一聊目前三种主流的检测算法

传统的基于特征的算法虽然逐渐被基于深度学习的算法所取代,但在特定场景下仍有一定的应用价值。而基于深度学习的算法和单阶段检测算法则更加适应复杂场景和实时需求,为各行各业的发展提供了强有力的支持。随着技术的不断演进,我们有理由相信目标检测算法将继续取得新的突破和进步,为更广泛的领域带来更多的应用机遇。目前,随着技术的不断进步,三种主流的目标检测算法逐渐崭露头角:传统的基于特征的算法,基于深度学习的算法以及单阶段检测算法。应用场景:传统的基于特征的算法主要用于人脸检测和一些简单场景的目标检测,如行人检测等。

C_19870的博客 280

物体检测算法有哪些?

R-CNN(Region-based Convolutional Networks):R-CNN 是一种基于区域的卷积神经网络,首先使用选择性搜索(Selective Search)提取图像中的潜在物体区域,然后使用卷积神经网络(CNN)对每个区域进行特征提取和分类。不同的物体检测算法对计算资源的需求不同。如果任务对准确性有较高要求,可以考虑使用 R-CNN 系列算法(如 Faster R-CNN)或其他在准确性上表现较好的算法(如 RetinaNet、EfficientDet)。

qq_44881930的博客 1052
上一篇: 谷歌大牛Jeff Dean撰文:深度学习研究的黄金十年
下一篇: 如何向5岁小侄子解释什么是支持向量机(SVM)?
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值