GitHub 又一黑科技项目面世！这几个功能简直强到离谱...
大家好，我是武哥。
上面那张动图，是当下 AI 技术领域中，计算机视觉最为常见的应用场景。
今天要给大家介绍的项目，就是 GitHub 上一款开源的 AI 工具箱，它集成了上述动图中所有功能，就像瑞士军刀般，一应俱全，简直强到离谱...
开始讨论计算机视觉时，自然不免俗的要谈到它的基础核心 - 目标检测技术，该技术支撑了包括人脸识别、目标跟踪、关键点检测、图像搜索等等 70% 以上视觉任务。
虽然业界 YOLO、Anchor Free、Transformer 等系列目标检测算法层出不穷，却缺乏可以统一、敏捷、组合应用这些先进算法，并支持包括模型压缩、多端高性能部署等功能实现产业应用端到端落地的开发套件。
飞桨目标检测开发套件 PaddleDetection 就是这样一个模型先进且丰富、任务覆盖全面、端到端能力完备的产业级开发套件：
模型先进且丰富：230+ 主流业界领先模型，10+ SOTA 及顶会冠军方案（面向产业应用的高性能算法）；
任务覆盖全面：全面覆盖目标检测、实例分割、目标跟踪、关键点检测任务领域，以及工业制造、安防巡检、智慧交通等 10 个以上行业领域；
端到端能力完备：全面覆盖前沿模型压缩，量化、剪枝、蒸馏、检测结构搜索方法，并在服务端、移动端等多种硬件环境完全打通，助力开发者快速实现高性能部署。
GitHub：https://github.com/PaddlePaddle/PaddleDetection
PaddleDetection 所有源码及教程均已开源，欢迎大家使用，并 Star 鼓励～
性能卓越算法全面升级
230 + 主流目标检测、实例分割、跟踪、关键点检测算法组成全明星阵容，囊括多种 SOTA 算法及冠军方案：
0.99M、 150FPS 轻量级 SOTA 检测算法 PP-PicoDet；
超越 YOLOv4、YOLOv5 的工业级 SOTA 模型 PP-YOLOv2；
122FPS、51.8%AP 的轻量级 SOTA 多人关键点检测算法 PP-TinyPose。
功能全面覆盖
100 + 垂类预训练模型，应用场景覆盖工业制造、安防巡检、智慧交通等 10 + 行业：
实时跟踪系统 PP-Tracking，一网打尽单 / 多镜头下的行人车辆跟踪能力；
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。
易用性全面提升
多种前沿压缩策略、灵活高效的部署支持，全方位助力算法实现高性能的压缩与部署：
一种蒸馏技术，三种量化策略，五种剪裁方式，支持策略联合实现，保持模型精度的同时大幅降低模型体积，适配各类硬件环境；
全面打通本地化、服务化、移动端部署，并支持 Python、C++ 的部署语言及 TensorRT 的加速。
想要了解详细算法性能、功能细节，以及压缩与部署策略的小伙伴们请接着往下看。
更快更强的 PP 系列明星算法
（一）0.99M、 150FPS 轻量级 SOTA 检测算法 PP-PicoDet
PP-PicoDet 一共有三种尺寸，其中 PP-PicoDet-S 参数量仅有 0.99M，却有 30.6% mAP 的精度，当输入尺寸为 320 时，推理速度甚至可达 150FPS.
不仅 mAP 比 YOLOX-Nano 高 4.8%，端侧推理速度还提升了 55%，相比 NanoDet-M-Plus-1.5x，体积少 13.5%，速度快 14%，mAP 高 0.7%。
而 PP-PicoDet-L 则在仅有 3.3M 参数量的情况下 mAP 达到 40.9%，比 YOLOv5s 高 3.7%，推理速度提升 44%。
PP-PicoDet 也在不断优化中，请大家敬请期待。
（二）性能超越 YOLOv4、YOLOv5 的高精度检测算法 PP-YOLOv2
作为产业级 SOTA 模型，PP-YOLOv2（R50）mAP 达到了 49.5%， FPS 高达 106.5FPS，超越了 YOLOv4 甚至 YOLOv5，而如果使用 RestNet101 作为骨架网络，PP-YOLOv2（R101）的 mAP 更高达 50.3%，并且比同等精度下的 YOLOv5x 快 15.9%。
（三）122FPS、51.8% AP 的轻量级 SOTA 多人关键点检测算法 PP-TinyPose
PP-TinyPose 在单人和多人场景均达到性能 SOTA，同时对检测人数无上限，并且在微小目标场景有卓越效果，助力开发者高性能实现异常行为识别、智能健身、体感互动游戏、人机交互等任务。
功能全、应用广
（一）实时跟踪系统 PP-Tracking，一网打尽各类跟踪能力
功能覆盖单、多镜头下的行人车辆跟踪，支持 10 + 种不同类别的目标同时跟踪，针对小目标、航拍监控及密集型场景进行特殊优化，并提供人 / 车流量去重计数应用。
（二）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。
易用性更高的全流程开发支持
（一）一种蒸馏技术，三种量化策略，五种剪裁方式
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 基于飞桨模型压缩工具 PaddleSlim 支持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，大幅减少模型参数或计算量，便于部署在受限的硬件环境中。
由上表可以看出，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。
（二）灵活高效的部署方式，打通本地化、服务化、移动端的部署，支持 Python、C++ 的部署语言及 TensorRT 的加速。
得益于飞桨预测库系列产品飞桨原生推理库 Paddle Inference、飞桨轻量化推理引擎 Paddle Lite 和飞桨服务化部署框架 Paddle Serving 的能力，PaddleDetection 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，覆盖主流检测、跟踪及关键点检测算法。
另外支持 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。
算法性能强劲、功能丰富全面、开发部署敏捷易用，PaddleDetection 期待大家的使用与反馈：
GitHub：https://github.com/PaddlePaddle/PaddleDetection
关注公众号，获取更多技术内容👇
