mAP 50.3%，106.5FPS 的 PP-YOLOv2，1.3M超轻量PPYOLO Tiny, 让目标检测界再起风波。单阶段目标检测界的扛把子 --YOLO，以其 「又快又好的效果」 在学术及产业界全面风靡。自 20 年下半年 YOLOv4、YOLOv5、PP-YOLO、YOLO-Fastest 和 YOLOv4 Tiny 等等轮番轰炸、掀起 「YOLO 狂潮」 后，时隔半年，超...
YOLO 系列的一大通病,是对不同尺幅的目标检测效果欠佳,因此,PP-YOLOv2 第一个优化的尝试是设计一个可以为各种尺度图像构建高层语义特征图的检测颈(detection neck)。不同于 PP-YOLO 采用 FPN 来从下至上的构建特征金字塔,PP-YOLOv2 采用了 FPN 的变形之一—PAN(Path Aggregation Network)来从上至下的聚合特征信息。
而如果将骨架网络从 ResNet50 更换为 ResNet101,PP-YOLOv2 的优势则更为显著:mAP 达到 50.3%,速度比同计算量的 YOLOv5x 高出了 15.9%。 不仅如此,与 PP-YOLOv2 一同面世的,还有体积只有 1.3M 的 PP-YOLO Tiny,比 YOLO-Fastest 更轻、更快!这样超超超轻量的算法面世,更是很好的满足了产业里大量边缘、...
分享一个利用PaddleX2.0,实现数据集划分、模型训练、模型导出、模型预测的目标检测全流程,使用PP-YOLO Tiny为例子,使用较少的代码快速训练出BaseLine模型,让我们来试一下吧~ - 飞桨AI Studio
本项目基于PaddleDetection目标检测开发套件,选取1.3M超轻量PPYOLO tiny进行项目开发,并部署于windows端。 - 飞桨AI Studio
本项目以手工标注的HeLa 细胞数据集(http://celltrackingchallenge.net/2d-datasets)为例,使用PaddleX实现PP-YOLO Tiny目标检测器的训练,然后利用DLib中内置的DSST单目标跟踪算法通过检测框和观测框的交并比级联匹配实现多目标跟踪。 说明:项目的产出已在版本中保存(work/),所以已经注释代码无需运行,检测器的训练部分...
main.exe --model_dir=./model/ppyolov2_r50vd_dcn_365e_coco --image_file=cars.jpg 上面以ppyolov2_r50vd_dcn_365e_coco模型为例,演示了模型转换和测试,如果使用PPYOLO tiny,方法和步骤一致,大家可以自行尝试! 结尾语 【1】 PPYolo v2准确率与速度与官方介绍类似,有兴趣的同学可以训练自己的数据集做测...
通过以上一系列优化,我们就得到了 1.3M 超超超轻量的 PP-YOLO tiny 模型,而算法可以通过 Paddle Lite 直接部署在麒麟 990 等轻量化芯片上,预测效果也非常理想。 以上所有 PP-YOLOv2 和 PPYOLO Tiny 的代码实现,均在 PaddleDetection 飞桨目标检测开发套件中开源提供:github.com/paddlepaddle/paddledetection ...
通过以上一系列优化,我们就得到了 1.3M 超超超轻量的 PP-YOLO tiny 模型,而算法可以通过 Paddle Lite 直接部署在麒麟 990 等轻量化芯片上,预测效果也非常理想。 以上所有 PP-YOLOv2 和 PPYOLO Tiny 的代码实现,均在 PaddleDetection 飞桨目标检测开发套件中开源提供:github.com/paddlepaddle/paddledetection ...
main.exe --model_dir=./model/ppyolov2_r50vd_dcn_365e_coco --image_file=cars.jpg 上面以ppyolov2_r50vd_dcn_365e_coco模型为例,演示了模型转换和测试,如果使用PPYOLO tiny,方法和步骤一致,大家可以自行尝试! 结尾语 【1】 PPYolo v2准确率与速度与官方介绍类似,有兴趣的同学可以训练自己的数据集做测...