高精度PP-YOLOE、轻量化PP-PicoDet SOTA模型重磅开源！
目标检测作为计算机视觉领域的顶梁柱，不仅可以独立完成车辆、商品、缺陷检测等任务，也是人脸识别、视频分析、以图搜图等复合技术的核心模块，在自动驾驶、工业视觉、安防交通等领域的商业价值有目共睹。
在当前云、边、端多场景协同的产业大趋势下，运行速度、模型计算量、模型格式转化、硬件适配、统一部署方案等实际问题都需要考虑。而今天小编给大家推荐的全新发布的 PP-YOLOE 和 PP-PicoDet 增强版，相比 YOLOv5、YOLOX 等优秀算法，再一次将性能推到极致。
无论你追求的是高精度、轻量化，还是场景预训练模型，PP-YOLOE 和 PP-PicoDet 增强版都能以业界超高标准满足你的需求。同时，统一的使用方式及部署策略，让你不再需要进行模型转化、接口调整，更贴合工业大生产标准化、模块化的需求
还在等什么！赶紧查看全部开源代码并 Star 收藏吧！！
传送门：
https://github.com/PaddlePaddle/PaddleDetection
PP-YOLOE：高精度 SOTA 目标检测模型
PP-YOLOE 根据不同应用场景设计了 s/m/l/x，4个尺寸的模型来支持不同算力水平的硬件，无论是哪个尺寸，精度-速度都超越当前所有同等计算量下的 YOLO 模型！
■ 性能卓越：
具体来说，PP-YOLOE-l 在 COCO test-dev 上以精度51.4%，TRT FP16推理速度 149.2FPS 的优异数据，相较 YOLOX，精度提升1.3%，加速25%；相较 YOLOv5，精度提升0.7%，加速26.8%。训练速度较 PP-YOLOv2 提高33%，大幅降低模型训练成本。
■ 部署友好：
与此同时，PP-YOLOE 在结构设计上避免使用如 deformable convolution 或者 matrix nms 之类的特殊算子，使其能轻松适配更多硬件。当前已经完备支持 NVIDIA V100、T4 这样的云端 GPU 架构以及如 Jetson 系列等边缘端 GPU 和 FPGA开发板。
下面，就让我们来一起看看具体是哪些策略给 PP-YOLOE 带来了如此显著的提升：
可扩展的 backbone 和 neck：自研 CSPRepResNet 和 CSPPAN k，在增强模型表征能力的同时提升了模型的推理速度，并且可以灵活地配置模型大小；
更高效的标签分配策略 TAL(Task Alignment Learning)：使匹配结果可以同时获得最优的分类 score 和定位精度；
更简洁有效的 ET-Head(Efficient Task-aligned Head)： 基于 TOOD 的 Head，使用 ESE 替换 T-Head 中的注意力模块，并使用 shortcut 和 DFL 分别进行分类和回归的对齐。在损失函数方面，则使用 VFL 替换 BCE，保证了速度精度双高的目的。
PP-YOLOE 完整代码实现：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe
技术报告：
https://arxiv.org/abs/2203.16250
PP-PicoDet：0.7M
超超超轻量 SOTA 目标检测模型
超乎想象的超小体积及超预期的性能，使 PP-PicoDet 成为边缘、低功耗硬件部署的最佳选择，而此次发布更是在原有基础上再次升级：
■ 更高精度：PP-PicoDet 作为业界首个 1M 内，实现精度 mAP（0.5：0.95）超越30+的模型，升级后整体精度提高2%。PP-PicoDet-S 参数量仅有1.18M，却有 32.5%mAP 的精度，相较 YOLOX-Nano 高6.7%，推理速度提升了26%；相较 NanoDet-Plus，相同参数量下，mAP 高出2.1%；
■ 更快速度：在 CPU 上预测速度再次提升50%，最新增加的 PP-PicoDet-XS 更是仅有 0.7M，在 CPU 上预测速度达到250FPS以上，与此同时训练速度也大幅提升一倍以上；
■ 更友好部署：为了部署更加轻松高效， PP-PicoDet 在模型导出环节， 将模型的后处理包含在了网络中，支持预测直接输出检测结果，无需额外开发后处理模块，还能端到端加速10%-20%；
■ 更高效优化支持：考虑到端侧对计算量的优化追求是极致的，PP-PicoDet 在模型量化训练和稀疏化压缩方案支持方面做了更深度的打磨， 仅需两步，即可实现在移动端部署加速30%以上的效果。
PP-PicoDet 代码实现：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/picodet
技术报告地址：
https://arxiv.org/abs/2111.00902
更多开源社区优秀算法
统一、极致的开发体验
以上所有模型、代码及使用文档、Demo 均在 PaddleDetection 中开源提供，此外如 YOLOv4、YOLOX 及 SwinTransformer 等在内的前沿优秀算法与 Faster-RCNN、YOLOv3 等经典算法也被收录其中，并且提供了极致简单、统一的使用方式。
部署方面得益于飞桨原生推理库 Paddle Inference 及飞桨端侧推理框架 Paddle Lite 的能力，通过支持 TensorRT 和 OpenVino，开发者可以快速完成在服务端和边缘端 GPU或ARM CPU、NPU 等硬件上的高性能加速部署。此外，PaddleDetection 还支持一键导出为 ONNX 格式，顺畅对接 ONNX 生态。
从此无需再内卷，通用目标检测，这一个项目就够了！
赶紧 Star 收藏订阅最新动态吧！
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4
直播预告
为了让开发者们更深入的了解 PaddleDetection 这次的全新模型，解决落地应用难点，掌握产业实践的核心能力，飞桨团队精心准备了为期三天的直播课程！
4月19日20:30，百度资深高工将为我们详细介绍超强检测矩阵，对各类型 SOTA 模型的原理及使用方式进行拆解，之后两天还有检测拓展应用梳理及产业案例全流程实操，对各类痛难点解决方案进行手把手教学，加上直播现场互动答疑，还在等什么！抓紧扫码上车吧！
点击阅读“阅读原文”，了解更多详情。