GitHub - PaddlePaddle/PaddleYOLO: 🚀🚀🚀 YOLO series of PaddlePaddle implementation, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv10, YOLO11, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet and so on. 🚀🚀🚀 (original) (raw)

简体中文 | English

简介

PaddleYOLO是基于PaddleDetection的YOLO系列模型库，只包含YOLO系列模型的相关代码，支持YOLOv3、PP-YOLO、PP-YOLOv2、PP-YOLOE、**PP-YOLOE+、RT-DETR**、YOLOX、YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv5u、YOLOv7u、YOLOv6Lite、RTMDet等模型，COCO数据集模型库请参照 ModelZoo 和 configs。

注意:

教程

安装

Clone 代码库和安装 requirements.txt，环境需要在一个Python>=3.7.0 下的环境，且需要安装PaddlePaddle>=2.4.2。

git clone https://github.com/PaddlePaddle/PaddleYOLO # clone cd PaddleYOLO pip install -r requirements.txt # install

训练/验证/预测/将以下命令写在一个脚本文件里如```run.sh```，一键运行命令为：```sh run.sh```，也可命令行一句句去运行。

model_name=ppyoloe # 可修改，如 yolov7 job_name=ppyoloe_plus_crn_s_80e_coco # 可修改，如 yolov7_tiny_300e_coco

config=configs/${model_name}/${job_name}.yml log_dir=log_dir/${job_name}

weights=https://bj.bcebos.com/v1/paddledet/models/${job_name}.pdparams

weights=output/${job_name}/model_final.pdparams

1.训练（单卡/多卡），加 --eval 表示边训边评估，加 --amp 表示混合精度训练

CUDA_VISIBLE_DEVICES=0 python tools/train.py -c ${config} --eval --amp

python -m paddle.distributed.launch --log_dir=${log_dir} --gpus 0,1,2,3,4,5,6,7 tools/train.py -c ${config} --eval --amp

2.评估，加 --classwise 表示输出每一类mAP

CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c config−oweights={config} -o weights=config−oweights={weights} --classwise

3.预测 (单张图/图片文件夹）

CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c config−oweights={config} -o weights=config−oweights={weights} --infer_img=demo/000000014439_640x640.jpg --draw_threshold=0.5

CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c config−oweights={config} -o weights=config−oweights={weights} --infer_dir=demo/ --draw_threshold=0.5

部署/测速

将以下命令写在一个脚本文件里如run.sh，一键运行命令为：sh run.sh，也可命令行一句句去运行。

model_name=ppyoloe # 可修改，如 yolov7 job_name=ppyoloe_plus_crn_s_80e_coco # 可修改，如 yolov7_tiny_300e_coco

config=configs/${model_name}/${job_name}.yml log_dir=log_dir/${job_name}

weights=https://bj.bcebos.com/v1/paddledet/models/${job_name}.pdparams

weights=output/${job_name}/model_final.pdparams

4.导出模型，以下3种模式选一种

普通导出，加trt表示用于trt加速，对NMS和silu激活函数提速明显

CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c config−oweights={config} -o weights=config−oweights={weights} # trt=True

exclude_post_process去除后处理导出，返回和YOLOv5导出ONNX时相同格式的concat后的1个Tensor，是未缩放回原图的坐标+分类置信度

CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c config−oweights={config} -o weights=config−oweights={weights} exclude_post_process=True # trt=True

exclude_nms去除NMS导出，返回2个Tensor，是缩放回原图后的坐标和分类置信度

CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c config−oweights={config} -o weights=config−oweights={weights} exclude_nms=True # trt=True

5.部署预测，注意不能使用 去除后处理 或 去除NMS 导出后的模型去预测

CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/${job_name} --image_file=demo/000000014439_640x640.jpg --device=GPU

6.部署测速，加 “--run_mode=trt_fp16” 表示在TensorRT FP16模式下测速，注意如需用到 trt_fp16 则必须为加 trt=True 导出的模型

CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/${job_name} --image_file=demo/000000014439_640x640.jpg --device=GPU --run_benchmark=True # --run_mode=trt_fp16

7.onnx导出，一般结合 exclude_post_process去除后处理导出的模型

paddle2onnx --model_dir output_inference/${job_name} --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 12 --save_file ${job_name}.onnx

8.onnx trt测速

/usr/local/TensorRT-8.0.3.4/bin/trtexec --onnx=${job_name}.onnx --workspace=4096 --avgRuns=10 --shapes=input:1x3x640x640 --fp16 /usr/local/TensorRT-8.0.3.4/bin/trtexec --onnx=${job_name}.onnx --workspace=4096 --avgRuns=10 --shapes=input:1x3x640x640 --fp32

model_name=yolov7  
job_name=yolov7_tiny_300e_coco

更新日志

产品动态

简介

PaddleDetection为基于飞桨PaddlePaddle的端到端目标检测套件，内置30+模型算法及250+预训练模型，覆盖目标检测、实例分割、跟踪、关键点检测等方向，其中包括服务器端和移动端高精度、轻量级产业级SOTA模型、冠军方案和学术前沿算法，并提供配置化的网络模块组件、十余种数据增强策略和损失函数等高阶优化支持和多种部署方案，在打通数据处理、模型开发、训练、压缩、部署全流程的基础上，提供丰富的案例及教程，加速算法产业落地应用。

特性

技术交流

套件结构概览

Architectures Backbones Components Data Augmentation
Object Detection YOLOv3 YOLOv5 YOLOv6 YOLOv7 YOLOv8 PP-YOLOv1/v2 PP-YOLO-Tiny PP-YOLOE PP-YOLOE+ YOLOX RTMDet Details ResNet(&vd) CSPResNet DarkNet CSPDarkNet ConvNeXt EfficientRep CSPBepBackbone ELANNet CSPNeXt Common Sync-BN Group Norm DCNv2 EMA FPN YOLOv3FPN PPYOLOFPN PPYOLOTinyFPN PPYOLOPAN YOLOCSPPAN Custom-PAN RepPAN CSPRepPAN ELANFPN ELANFPNP6 CSPNeXtPAFPN Loss Smooth-L1 GIoU/DIoU/CIoU IoUAware Focal Loss VariFocal Loss Post-processing SoftNMS MatrixNMS Speed FP16 training Multi-machine training Details Resize Lighting Flipping Expand Crop Color Distort Random Erasing Mixup AugmentHSV Mosaic Cutmix Grid Mask Auto Augment Random Perspective

模型性能概览

云端模型性能对比

各模型结构和骨干网络的代表模型在COCO数据集上精度mAP和单卡Tesla V100上预测速度(FPS)对比图。

说明：

各移动端模型在COCO数据集上精度mAP和高通骁龙865处理器上预测速度(FPS)对比图。

说明：

模型库

1. 通用检测

PP-YOLOE+系列 推荐场景：Nvidia V100, T4等云端GPU和Jetson系列等边缘端设备

模型名称 COCO精度（mAP） V100 TensorRT FP16速度(FPS) 配置文件 模型下载
PP-YOLOE+_s 43.9 333.3 链接 下载地址
PP-YOLOE+_m 50.0 208.3 链接 下载地址
PP-YOLOE+_l 53.3 149.2 链接 下载地址
PP-YOLOE+_x 54.9 95.2 链接 下载地址

前沿检测算法

模型名称 COCO精度（mAP） V100 TensorRT FP16速度(FPS) 配置文件 模型下载
YOLOX-l 50.1 107.5 链接 下载地址
YOLOv5-l 48.6 136.0 链接 下载地址
YOLOv7-l 51.0 135.0 链接 下载地址

文档教程

入门教程

进阶教程

版本更新

版本更新内容请参考版本更新文档

许可证书

本项目的发布受GPL-3.0 license许可认证。

引用

@misc{ppdet2019,
title={PaddleDetection, Object detection and instance segmentation toolkit based on PaddlePaddle.},
author={PaddlePaddle Authors},
howpublished = {\url{https://github.com/PaddlePaddle/PaddleDetection}},
year={2019}
}