Press "Enter" to skip to content

汇集YOLO系列经典和前沿算法,实现高精度实时检测!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

YOLO(You Only Look Once,你只看一次)是一阶段目标检测算法的开山之作。常年来,YOLO 系列模型统治着实时目标检测界,其代名词就是“快”。从2016年 Joseph Redmon 发布第一版 YOLO [1] 至今,YOLO 系列算法始终保持着极高的迭代更新率,已经成为目标检测乃至整个计算机视觉界的流量密码。

 

近年来,各大技术团队如 Ultralytics LLC、旷视、美团等均基于 YOLO 进行了一系列的改进,涌现出 YOLOv5 [2] 、YOLOX [3] 、MT-YOLOv6 [4] 、YOLOv7 [5] 等优秀的模型,为目标检测的发展做出了关键性的贡献。同时,为了将算法更好地应用于实际的产业中,百度飞桨团队集百家之所长,引入了创新性优化策略,提出了 PP-YOLO 系列三代模型,最新版为 PP-YOLOE [6] 。

 

现如今,飞桨生态开发者们将 YOLO 系列经典与最新算法均在 飞桨目标检测开发套件 PaddleDetection 中进行了实现,并在各类优秀的 YOLO 算法的实现上 进行了改进,实现了性能提升, 同时对 自定义数据训练、二次开发、预测部署 等方面提供了端到端完整支持。

 

向下滑动查看所有内容

 

 

:arrow_down:感兴趣的小伙伴可以下载模型试试效果:

 

https://github.com/PaddlePaddle/PaddleDetection

 

:star:Star 收藏:star:

 

时刻关注最新计算机视觉领域动态

 

 

PaddleDetection 不仅囊括了各类前沿经典算法,同时统一了各类 YOLO 系列模型的代码风格与使用方式,无需切换代码库即可实现任意 YOLO 算法的开发。

 

▎全面覆盖的 YOLO 家族经典与最新模型:

 

包括 经典的  YOLOv3 [7] ,百度飞桨自研的实时高精度目标检测检测模型 PP-YOLOE [6] ,前沿检测算法 YOLOv4 [8] 、YOLOv5 [2] 、YOLOX [3] ,以及最新的 MT-YOLOv6 [4] 及 YOLOv7 [5] 。

 

▎更强的模型性能:

 

基于各家前沿 YOLO 算法进行创新并升级,使用 ConvNeXt [9] 做骨干网络和预训练缩短训练周期5~8倍,精度普遍提升1%~5%mAP;使用 PaddleSlim 模型压缩策略实现精度无损的同时还使得速度提升30%以上。

 

▎完备的端到端开发支持:

 

支持从模型训练、评估、预测到模型量化压缩,部署多种硬件的端到端开发全流程。同时支持不同模型算法灵活切换,一键实现算法二次开发。

 

全面覆盖的 YOLO 家族

 

首先来看看 PaddleDetection 中最新支持的 YOLO 模型:

 

 

▎YOLOv5 [2]

 

由 Ultralytics LLC 团队于20年5月提出,借鉴 YOLOv4 的设计思路,引入更灵活和更轻量级的网络设计、自适应 anchor 计算和 GIoU 损失函数进行优化,目前成为实际应用落地中广泛使用的算法;

 

▎YOLOX [3]

 

旷视团队21年7月首次提出了 Anchor Free 的 YOLO 检测思路,使用 SimOTA 改进正负样本匹配效果,提出解耦检测头减小分类和回归两个任务的冲突;值得一提的是,PaddleDetection 中实现的 YOLOX,L 模型较原版提升 0.4mAP,X 模型提升 0.7mAP;

 

▎PP-YOLOE [6]

 

22年3月由百度飞桨团队提出,设计统一的骨干网络和特征融合结构节省访存成本,结合 TAL 和 ATSS 设计高效的标签分配策略,提出更简洁高效的 head 结构对齐分类和回归两个子任务。

 

▎MT-YOLOv6 [4]

 

由美团团队22年6月提出,使用 RepVGG 思想设计高效骨干网络,借鉴 YOLOX 中的 SimOTA 进行正负样本匹配,并使用 SIoU Loss 更好地回归检测框位置;

 

▎YOLOv7 [5]

 

由 Alexey 团队22年7月提出,面对 YOLO 系列模型的不断改进与创新,仍能实现革新性的算法升级,作为目前最新的 YOLO 系列算法,针对重参数化和动态标签分配策略优化,并采用隐式参数学习和引入辅助检测头方式提升模型训练效果;

 

注: YOLOv5、MT-YOLOv6、VOLOv7  均在下方链接中:

 

https://github.com/nemonameless/PaddleDetection_YOLOSeries

 

各个 YOLO 系列的模型正如取名 You Only Look Once 一样,能够实现实时检测,综合考虑速度和精度的平衡。通过横向对比,最常用的 L 版本模型中,近期的 YOLOv7 速度最佳,PP-YOLOE 则是精度最佳,而近期百度飞桨更新的 PP-YOLOE-plus 精度更是高出 PP-YOLOE 原版 1.5mAP。

 

:arrow_down:完整模型链接:

 

https://github.com/PaddlePaddle/PaddleDetection

 

更强的模型性能

 

在原版模型的实现基础上,为了探索更多样化的结构设计,PaddleDetection 还提供了不同骨干网络的 YOLO 模型,包括百度飞桨自研的 CSPResNet 以及  Facebook 新提出的 ConvNeXt,最终实现在计算量相近的情况下,精度仍可大幅提升:

 

 

此外,我们基于飞桨模型压缩工具库 PaddleSlim 对 YOLO 系列模型进一步瘦身。使用自动化压缩工具,在无需模型训练代码的情况下对模型量化训练,实现精度基本无损,速度普遍提升30%以上。

 

 

:arrow_down:PaddleSlim 完整文档:

 

https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression

 

完备的端到端开发支持

 

YOLO 系列模型层出不穷,让众多开发者和用户直呼来不及学习和训练。因此期望能有一个统一的 YOLO 模型库,在代码风格统一的前提下,实现一键切换各个 YOLO 算法,以及训练、预测、部署全流程都能顺畅执行。 PaddleDetection 在集成 YOLO 全系列算法的同时,支持模型一键快速切换,并提供对应 ONNX 模型文件,充分满足各类部署需求。

 

由于 YOLOv5、YOLOv7 以及 MT-YOLOv6 均为 GPL 开源协议,由飞桨开发者实现的这3类模型代码并未直接合入到遵守 Apache2.0 开源协议的 PaddleDetection 中,而是 合入到新创建的遵守 GPL 开源协议的 PaddleDetection_YOLOSeries 代码库中,且与 PaddleDetection 主分支的代码保持同步更新。 值得一提的是,YOLOv5、YOLOv7 和 MT-YOLOv6 在评估和部署过程中使用了不同的后处理配置,而在 PaddleDetection 中进行了统一,保证实际部署效果和模型评估指标的一致性,并对这三类模型的源代码进行了重构,提高其可读性,同时保持与 PaddleDetection 中其他的 YOLO 算法用法一致:

 

 

PaddleDetection 中 YOLO 算法用法示例

 

如需基于模型进行二次开发,只需修改前两行模型名字即可,可谓是方便至极。快来动手试试吧,一键运行即可获得精准的检测效果!

 

PaddleDetection 在各场景应用效果展示

 

飞桨目标检测套件 PaddleDetection 紧跟业界算法团队基于 YOLO 系列迭代优化的前沿进展,并对其不断攻克技术难题的精神深感敬佩,希望未来飞桨能有机会携手各位算法研究团队持续不断为开源生态做出贡献!

 

:arrow_down:完整教程文档及模型下载链接:

 

https://github.com/PaddlePaddle/PaddleDetection

 

最后,欢迎大家扫码进群,与百度飞桨核心研发工程师一起交流讨论,同时 Get 飞桨最新产品动态!

 

 

▼ 相关论文和代码库引用说明:

 

[1]. Redmon J , Divvala S , Girshick R , et al. You Only Look Once: Unified, Real-Time Object Detection[J]. IEEE, 2016.

 

[2]. https://github.com/ultralytics/yolov5

 

[3]. Ge Z , Liu S ,  Wang F , et al. YOLOX: Exceeding YOLO Series in 2021[J].  2021.

 

[4]. https://github.com/meituan/YOLOv6

 

[5]. Wang C Y , Bochkovskiy A ,  Liao H . YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[J].  2022.

 

[6]. Xu S , Wang X , Lv W , et al. PP-YOLOE: An evolved version of YOLO[J].  2022.

 

[7]. Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. arXiv e-prints, 2018.

 

[8]. Bochkovskiy A , Wang C Y , Liao H . YOLOv4: Optimal Speed and Accuracy of Object Detection[J].  2020.

 

[9] Liu Z , Mao H , Wu C Y , et al. A ConvNet for the 2020s[J]. arXiv e-prints, 2022.

 

 

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。