目標檢測技術作為視覺技術屆的頂梁柱，不僅單兵作戰在人臉、車輛、商品、缺陷檢測等場景有出色的表現，也是文本識別，圖像檢索、視頻分析、目標跟蹤等復合技術的核心模塊，應用場景可謂比比皆是。
各界開發者對高精度、高效率的目標檢測算法，以及便捷高效的開發、部署方式的追求可謂是極致的。但業界卻缺少全面兼顧高性能算法、便捷開發、高效訓練及完備部署的開源目標檢測項目。百度飛槳端到端目標檢測開發套件PaddleDetection重磅升級為2.0版本后，終于全面兼顧業界開發者的需求，成長為中國產業實踐中目標檢測領域一柄重器。
讓我們先來概覽一下PaddleDetection2.0本次升級內容：
一、全明星算法陣容:
新增超越YOLOv4、YOLOv5 的PP-YOLOv2，1.3M 超超超輕量目標檢測算法PP-YOLO Tiny，全面領先同類框架的RCNN系列算法，以及SOTA 的Anchor Free算法：PAFNet(Paddle Anchor Free)
二、全面功能覆蓋：
除全系列通用目標檢測算法外，額外覆蓋旋轉框檢測、實例分割、行人檢測、人臉檢測、車輛檢測等垂類任務。
三、易用性全面提升：
全面支持動態圖開發，壓縮、部署等全流程方案打通，極大程度的提升了用戶開發的易用性，加速了算法產業應用落地的速度。
圖1 PaddleDetection2.0明星通用目標檢測模型的性能
而本篇也將為大家詳細解讀一下PaddleDetection2.0的升級內容，初步領略下這個檢測重器的殺傷力：
一、更多更好的算法
1. PP-YOLOv2，比YOLOv4、YOLOv5更強!
自去年PP-YOLO一度成為產業實踐最佳目標檢測模型后，隨著PaddleDetection2.0的發布，PP-YOLO也推出了v2版本。延續v1版本的理念，PP-YOLOv2持續深化考慮在產業實踐中需要兼顧算法的精度和速度，PP-YOLOv2(R50)mAP從45.9%達到了49.5%，相較v1提升了3.6個百分點，FPS高達106.5FPS，超越了YOLOv4甚至YOLOv5!而如果使用RestNet101作為骨架網絡，PP-YOLOv2(R101)的mAP更高達50.3%，并且比同等精度下的YOLOv5x快15.9%。
你無需再在眼花繚亂的目標檢測算法中對比選擇，用PP-YOLOv2就對了!
圖 2 PP-YOLOv2 性能比較
2. PP-YOLO Tiny，1.3M，比YOLO-Fastest、NanoDet更輕量!
隨著物聯網的快速發展，端側芯片部署輕量化深度學習算法的需求越來越強烈，基于此，PaddleDetection 2.0 推出了經過深度優化后，體積僅為1.3M的超超超輕量目標檢測算法—PP-YOLO Tiny。如下表所示，在coco val2017數據集測試，輸入尺寸320px版本，mAP達到20.6，單張預測時延10.83ms(92.3FPS);輸入尺寸416px版本，mAP達到22.7，單張預測時延15.48ms(64.6FPS)。比YOLO-Fastest、 NanoDet更強。
圖 3 PP-YOLO Tiny性能
3. RCNN系列算法全面超越同類開發工具!
除了YOLO系列之外，PaddleDetection2.0 還將目標檢測的基礎兩階段系列算法–RCNN進行了整體升級。如表1可以清晰的看到，RCNN系列模型(Faster RCNN, Mask RCNN, Cascade RCNN等)在PaddleDetection進行訓練，比mmDetection和Detectron2在更短的時間獲得更高的精度。
表1：RCNN系列模型在PaddleDetection、mmDetection和Detectron2開發套件下，在COCO 2017 val集上的mAP對比結果
4. SOTA Anchor Free算法：PAFNet(Paddle Anchor Free)& PAFNet-Lite
相較于SSD、RCNN等系列各種Anchor-Based算法，Anchor-Free算法擁有更少的超參、更易配置、對多尺度目標檢測效果更好等優點，但也存在檢測結果不穩定、訓練時間長等問題，是近些年科研領域的熱點方向。飛槳當然一直緊跟全球科研動向，基于TTFNet進行多維度的優化，推出了在COCO數據集精度42.2，V100預測速度67FPS, 處于anchor free領域SOTA水平的PAFNet(Paddle Anchor Free)算法!同時提供移動端輕量級模型PAFNet-Lite，COCO數據集精度達到23.9，麒麟990芯片延時26ms。
圖 4 PAFNet網絡結構
5. 旋轉框檢測算法—S2ANet
在一般的的目標檢測項目中，我們通常使用水平矩形框為檢測框對目標進行框定。而在產業場景中，例如質檢、遙感圖像，目標往往是任意方向排列且長寬比差別比較大的, 用水平矩形框則會出現大量空白非目標的區域，且丟失了目標的朝向角度信息，例如圖5 精度不能滿足業務需求。旋轉框目標檢測算法就可以很好的解決這類問題，它在檢測出四邊形矩形框的同時可以同時獲得旋轉角度。PaddleDetection 2.0本次的升級，就新增了高性價比旋轉框檢測算法–S2ANet，方便開發者直接取用或進一步開發。
圖5 傳統檢測效果? 圖 6 S2ANet旋轉框檢測效果
至此PaddleDetection共包含了19類共231個模型算法，其中動態圖預訓練模型70個，靜態圖預訓練模型161個。其中包括PP-YOLO、RCNN、PAFNet系列等明星算法，覆蓋通用目標檢測、人臉檢測、行人檢測、車輛檢測、旋轉框檢測、實例分割任務，得益于飛將框架和PaddleDetection套件本身的設計，算法訓練的效率也超越同類開發工具!
二、更好的易用性
1. 動態圖開發，靈活調試代碼
PaddleDetection 2.0基于PaddlePaddle 2.0.1版本，默認使用動態圖進行開發，在這種模式下，每次執行一個運算，可以立即得到結果，而不是事先定義好網絡結構再執行。用戶也可以快速獲取網絡結構、每層輸入輸出和對應梯度信息等，并對應進行快速調整。這樣用戶可以更快速的組織代碼，更容易的調試程序。
2.更便捷的安裝方式
除了傳統的git clone方式，PaddleDetection 2.0這次還新增了whl包的發布，用戶可以直接通過pip install的方式安裝，由此可以通過import ppdet的方式調用PaddleDetection 2.0下的API快速完成自己的檢測任務。
三、訓練、壓縮、部署全流程打通
為了進一步加速深度學習算法的產業落地，PaddleDetection 2.0動態圖順暢打通了算法的全流程部署。
圖7 PPDet全流程方案
在完成模型訓練過程中或之后，PaddleDetection2.0方便支持開發者使用PaddleSlim對算法進行量化、蒸餾、裁剪等壓縮優化，并支持快速將模型由動態圖轉化為靜態圖，實現模型的高效多平臺預測部署。
1. 模型壓縮能力
為了滿足開發者對計算量、模型體積、運算速度等極致的追求，PaddleDetection 2.0動態圖模式下基于PaddleSlim新增了多種模型壓縮能力，包括剪裁，量化，蒸餾以及剪裁+蒸餾聯合策略壓縮方案，可大幅減少模型參數或者計算量，便于部署在受限的硬件環境中。由下表可以看出，量化策略為模型帶來1.7%的精度提升，同時體積壓縮3.71倍，速度提升1.46倍!而采用蒸餾+裁剪的聯合策略，在精度幾乎無損的情況下，體積壓縮了3.05倍，加速1.58倍!
表3：基于YOLOv3-MobileNetv1模型進行模型壓縮的效果對比
2. 預測部署能力
得益于飛槳預測庫系列產品Paddle Inference、Paddle Lite和Paddle Serving的能力，PaddleDetection 2.0支持開發者快速在Linux、Windows、NV Jetson等多系統多平臺進行算法部署，同時提供了Python預測和C++預測兩種方式，覆蓋主流目標檢測算法。另外適配TensorRT，支持TensorRT動態尺寸輸入及TensorRT INT8量化預測, 全面支持用戶進行硬件加速。
表4：Tesla V100上各主流算法預測速度對比
小結：
本次PaddleDetection2.0的重磅升級，為開發者提供了目標檢測領域全新的開發體驗， mAP 50.3 的PP-YOLOv2超越YOLOv4、YOLOv5，1.3M 超輕量PP-YOLO Tiny超越YOLO-Fastest、NanoDet，RCNN系列算法全面領先其他框架水平，PAFNet(PaddleAnchorFree)SOTA，還覆蓋了旋轉框檢測、實例分割、行人檢測、人臉檢測、車輛檢測等任務。動態圖的升級和全流程方案的打通，極大程度的提升了用戶開發的易用性。不論你是學術科研工作者，還是產業開發者;不論你是剛入門的萌新，還是已經歷練成為大神，PaddleDetection 2.0都能幫你更快的進行算法實驗、獲得高性能的目標檢測算法、投入產業實用。
如此用心制作的高水準產品，期待業界開發者參與一同共建!
課程預告
百度飛槳為了幫助大家能快速、深入、全面的了解目標檢測技術，將于5月13、14日特地開設“目標檢測2日直播課”。由資深研發工程師傾囊相授多年“煉丹”經驗，配套真實工業落地場景案例，最先進的調優方式、訓練技巧、優化技巧和工業部署方案一網打盡，千萬不要錯過!感興趣的同學可加入QQ群1136406895，了解更多課程及產品動態。
