PP-YOLOE-R是一个高效的单阶段Anchor-free旋转框检测模型,在PP-YOLOE的基础上,以少量的参数量和计算量为代价极大地提升了旋转框检测的精度。在DOTA 1.0数据集上,PP-YOLO-R-s/m/l/x单尺度训练和测试的情况下精度可达73.82/77.64/78.14/78.28 mAP,在多尺度训练和测试的情况下精度可达79.42/79.71/80.02/80.73 ...
2. PP-YOLOE-R模型简介 PP-YOLOE-R是一个高效的单阶段Anchor-free旋转框检测模型,在PP-YOLOE的基础上,以少量的参数量和计算量为代价极大地提升了旋转框检测的精度。在DOTA 1.0数据集上,PP-YOLO-R-s/m/l/x单尺度训练和测试的情况下精度可达73.82/77.64/78.14/78.28 mAP,在多尺度训练和测试的情况下精度可...
算法思路 PP-YOLOE-R 是一个高效的单阶段 Anchor-free 旋转框检测模型,基于 PP-YOLOE+ 引入了一系列改进策略来提升检测精度。根据不同的硬件对精度和速度的要求,PP-YOLOE-R 包含 s/m/l/x 四个尺寸的模型。在DOTA 1.0数据集上,PP-YOLOE-R-l 和 PP-YOLOE-R-x 在单尺度训练和测试的情况下分别达到了...
考虑到视频图像大小在1K-3K之间,较小尺寸会显著降低图像中的文字实例质量,同时,密集小文本在空间上的关联性较强,不适合切片预测,我们将 PP-YOLOE-R 网络的输入尺寸宽度设置为1600,高度设置为900。 三、评价指标 DSText 比赛采用ICDAR 2015 Text in Video比赛中的评价方法对检测和跟踪结果进行评估。上述评价方法通...
PP-YOLOE-R是基于PP-YOLOE的高效anchor-free旋转目标检测器,作者在PP-YOLOE-R中引入了一系列有用的技巧,以提高检测精度,同时减少额外参数和计算成本PP YOLOE-R-I和PP YOLOE-R-x在DOTA 1.0数据集上分别达到78.14和78.28 mAP,使用单尺度训练和测试,这几乎优于所有其它旋转目标检测器。通过多尺度训练和测试,PP...
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149.2FPS的优异数据,相较YOLOX,精度提升...
任意方向目标检测是遥感图像目标检测与自然场景文字检测中最基本的任务。本文提出了一种高效的Anchor-free旋转目标检测方案PP-YOLOE-R,通过引入大量的有用tricks,所提方案达成如下性能(DOTA1.0): 单尺度训练/测试:PP-YOLOE-R-l/x分别取得了78.14mAP与78.28mAP; ...
较YOLOv7精度提升1.9%,54.7mAP的PP-YOLOE+强势登场! 通用检测算法在工业质检、遥感图像场景下会表现出误报、低召回等现象。核心问题在于目标小、密集排布且存在旋转角度。为此,飞桨团队基于PP-YOLOE+推出了旋转框检测算法PP-YOLOE-R(Rotate)以及小目标检测方案PP-YOLOE-SOD(Small Object Detection),前者在DOTA1.0...
ppyoloe作为一个使用PyTorch实现的目标检测工具,具有以下优势: 易用性:ppyoloe提供了简单易用的API接口,使得开发者可以快速上手并构建自己的目标检测模型。 灵活性:ppyoloe提供了丰富的配置选项,包括网络结构、训练参数等,使得开发者可以根据自己的需求进行定制和调整。
PP-YOLOE-R(Rotate)是一个高效的单阶段Anchor-free旋转框检测模型,基于 PP-YOLOE+引入了一系列改进策略来提升检测精度。 根据不同的硬件对精度和速度的要求,PP-YOLOE-R 包含 s/m/l/x 四个尺寸的模型。在 DOTA 1.0数据集上,PP-YOLOE-R-l 和 PP-YOLOE-R-x 在单尺度训练和测试的情况下分别达到了78.14...