超越YOLOv5，1.3M超轻量，高效易用，目标检测领域这一个就够了

目标检测技术作为视觉技术届的顶梁柱，不仅单兵作战在人脸、车辆、商品、缺陷检测等场景有出色的表现，也是文本识别，图像检索、视频分析、目标跟踪等复合技术的核心模块，应用场景可谓比比皆是。

各界开发者对高精度、高效率的目标检测算法，以及便捷高效的开发、部署方式的追求可谓是极致的。但业界却缺少全面兼顾高性能算法、便捷开发、高效训练及完备部署的开源目标检测项目。百度飞桨端到端目标检测开发套件PaddleDetection重磅升级为2.0版本后，终于全面兼顾业界开发者的需求，成长为中国产业实践中目标检测领域一柄重器。

让我们先来概览一下PaddleDetection2.0本次升级内容：

1、全明星算法阵容 ：

新增 超越YOLOv4、YOLOv5 的PP-YOLOv2，1.3M 超超超轻量目标检测算法PP-YOLO Tiny ，全面领先同类框架的RCNN系列算法，以及SOTA 的Anchor Free算法：PAFNet（Paddle Anchor Free）

2、全面功能覆盖 ：

除全系列通用目标检测算法外，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。

3、易用性全面提升 ：

全面支持动态图开发，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。

△ 图1 PaddleDetection2.0明星通用目标检测模型的性能

着急的小伙伴可以直接传送门前往开源项目主页直接体验：https://github.com/PaddlePaddle/PaddleDetection

而本篇也将为大家详细解读一下PaddleDetection2.0的升级内容，初步领略下这个检测重器的杀伤力：

一、更多更好的算法

1. PPYOLOv2，比YOLOv4、YOLOv5更强！

自去年PPYOLO一度成为产业实践最佳目标检测模型后，随着PaddleDetection2.0的发布，PPYOLO也推出了v2版本。延续v1版本的理念，PPYOLOv2持续深化考虑在产业实践中需要兼顾算法的精度和速度， PPYOLOv2（R50）mAP 从45.9%达到了 49.5% ，相较v1提升了3.6个百分点， FPS高达106.5FPS ，超越了YOLOv4甚至YOLOv5！而如果使用RestNet101作为骨架网络，PPYOLOv2（R101）的mAP更高达50.3%，并且比同等精度下的YOLOv5x快15.9%！

完整论文请参考：https://arxiv.org/abs/2104.10419

你无需再在眼花缭乱的目标检测算法中对比选择，用PP-YOLOv2就对了！

△ 图 2 PP-YOLOv2 性能比较

2. PPYOLO Tiny，1.3M，比YOLO-Fastest、NanoDet更轻量！

随着物联网的快速发展，端侧芯片部署轻量化深度学习算法的需求越来越强烈，基于此，PaddleDetection 2.0 推出了经过深度优化后，体积仅为1.3M的超超超轻量目标检测算法—PPYOLO Tiny。如下表所示，在coco val2017数据集测试，输入尺寸320px版本，mAP达到20.6，单张预测时延10.83ms（92.3FPS）；输入尺寸416px版本，mAP达到22.7，单张预测时延15.48ms（64.6FPS）。比YOLO-Fastest、 NanoDet更强！

△ 图3 PP-YOLO Tiny性能

3. RCNN系列算法全面超越同类开发工具！

除了YOLO系列之外，PaddleDetection2.0 还将目标检测的基础两阶段系列算法—RCNN进行了整体升级。如表1可以清晰的看到，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！

△ 表1：RCNN系列模型在PaddleDetection、mmDetection和Detectron2开发套件下，在COCO 2017 val集上的mAP对比结果

4. SOTA Anchor Free算法：PAFNet（Paddle Anchor Free）& PAFNet-Lite

相较于SSD、RCNN等系列各种Anchor-Based算法，Anchor-Free算法拥有更少的超参、更易配置、对多尺度目标检测效果更好等优点，但也存在检测结果不稳定、训练时间长等问题，是近些年科研领域的热点方向。飞桨当然一直紧跟全球科研动向，基于TTFNet进行多维度的优化，推出了在COCO数据集精度42.2，V100预测速度67FPS, 处于anchor free领域SOTA水平的PAFNet（Paddle Anchor Free）算法！同时提供移动端轻量级模型PAFNet-Lite，COCO数据集精度达到23.9，麒麟990芯片延时26ms。

△ 图 4 PAFNet网络结构

5. 旋转框检测算法—S2ANet

在一般的的目标检测项目中，我们通常使用水平矩形框为检测框对目标进行框定。而在产业场景中，例如质检、遥感图像，目标往往是任意方向排列且长宽比差别比较大的, 用水平矩形框则会出现大量空白非目标的区域，且丢失了目标的朝向角度信息，例如图5 精度不能满足业务需求。旋转框目标检测算法就可以很好的解决这类问题，它在检测出四边形矩形框的同时可以同时获得旋转角度。PaddleDetection 2.0本次的升级，就新增了高性价比旋转框检测算法—S2ANet，方便开发者直接取用或进一步开发。

△ 图5 左： 传统检测效果； 图6 右：S2ANet旋转框检测效果

至此PaddleDetection共包含了19类共231个模型算法，其中动态图预训练模型70个，静态图预训练模型161个。其中包括 PPYOLO 、 RCNN 、 PAFNet 系列等明星算法！覆盖通用目标检测、人脸检测、行人检测、车辆检测、旋转框检测、实例分割任务，得益于飞将框架和PaddleDetection套件本身的设计，算法训练的效率也超越同类开发工具！

二、更好的易用性

1. 动态图开发，灵活调试代码

PaddleDetection 2.0基于PaddlePaddle 2.0.1版本，默认使用动态图进行开发，在这种模式下，每次执行一个运算，可以立即得到结果，而不是事先定义好网络结构再执行。用户也可以快速获取网络结构、每层输入输出和对应梯度信息等，并对应进行快速调整。这样用户可以更快速的组织代码，更容易的调试程序。

2.更便捷的安装方式

除了传统的git clone方式，PaddleDetection 2.0这次还新增了whl包的发布，用户可以直接通过pip install的方式安装，由此可以通过import ppdet的方式调用PaddleDetection 2.0下的API快速完成自己的检测任务。

三、训练、压缩、部署全流程打通

为了进一步加速深度学习算法的产业落地，PaddleDetection 2.0动态图顺畅打通了算法的全流程部署。

△ 图 7 PPDet全流程方案

在完成模型训练过程中或之后，PaddleDetection2.0方便支持开发者使用PaddleSlim对算法进行量化、蒸馏、裁剪等压缩优化，并支持快速将模型由动态图转化为静态图，实现模型的高效多平台预测部署。

1. 模型压缩能力

为了满足开发者对计算量、模型体积、运算速度等极致的追求，PaddleDetection 2.0动态图模式下基于PaddleSlim新增了多种模型压缩能力，包括剪裁，量化，蒸馏以及剪裁+蒸馏联合策略压缩方案，可大幅减少模型参数或者计算量，便于部署在受限的硬件环境中。由下表可以看出，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！

△ 表3：基于YOLOv3-MobileNetv1模型进行模型压缩的效果对比

2. 预测部署能力

得益于飞桨预测库系列产品Paddle Inference、Paddle Lite和Paddle Serving的能力，PaddleDetection 2.0支持开发者快速在Linux、Windows、NV Jetson等多系统多平台进行算法部署，同时提供了Python预测和C++预测两种方式，覆盖主流目标检测算法。另外适配TensorRT，支持TensorRT动态尺寸输入及TensorRT INT8量化预测, 全面支持用户进行硬件加速。

△ 表4：Tesla V100上各主流算法预测速度对比

小结：

本次PaddleDetection2.0的重磅升级，为开发者提供了目标检测领域全新的开发体验， mAP 50.3 的PP-YOLOv2超越YOLOv4、YOLOv5，1.3M 超轻量PP-YOLO Tiny超越YOLO-Fastest、NanoDet，RCNN系列算法全面领先其他框架水平，PAFNet（PaddleAnchorFree）SOTA，还覆盖了旋转框检测、实例分割、行人检测、人脸检测、车辆检测等任务。动态图的升级和全流程方案的打通，极大程度的提升了用户开发的易用性。不论你是学术科研工作者，还是产业开发者；不论你是刚入门的萌新，还是已经历练成为大神，PaddleDetection 2.0都能帮你更快的进行算法实验、获得高性能的目标检测算法、投入产业实用。

如此用心制作的高水准产品，期待业界开发者参与一同共建！

参考链接

更多PaddleDetection信息，欢迎点击文末阅读原文或以下链接，访问GitHub项目体验或Star： https://github.com/PaddlePaddle/PaddleDetection

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。