【免费】PaddleDetection-release-2.5.zip_paddledetection下载资源-CSDN文库

共1594个文件

yml：586个

py：352个

md：227个

需积分: 0 20 浏览量更新于2023-04-23 收藏 223.17MB ZIP 举报

《PaddleDetection 2.5：百度飞桨的行人检测与追踪系统详解》 PaddleDetection-release-2.5.zip 文件是百度飞桨（PaddlePaddle）深度学习框架的一个重要组成部分，它专注于行人检测与追踪任务。PaddlePaddle是由百度开发的开源深度学习平台，旨在提供高效、灵活且易于使用的工具，支持各种人工智能应用，包括计算机视觉、自然语言处理等。在这个特定的版本中，我们聚焦于行人检测和追踪，这两个在智能监控、自动驾驶等领域具有广泛应用的技术。行人检测是计算机视觉中的一个关键问题，它涉及在图像或视频流中定位和识别人类个体。PaddleDetection 2.5 提供了多种先进的检测模型，如YOLOv3、Faster R-CNN、Mask R-CNN等，这些模型能够快速准确地定位图像中的行人。它们采用了深度学习技术，特别是卷积神经网络（CNN），通过大量标注数据进行训练，以识别和定位行人特征。追踪则是对检测到的行人进行连续的识别和跟踪，确保在视频序列中同一行人的运动轨迹连贯。PaddleDetection 2.5 包含了多种追踪算法，如DeepSORT、FairMOT等，它们能够在复杂的环境中，即使行人遮挡、重叠或者短暂离开视线，也能有效地保持目标的身份。在PaddleDetection-release-2.5.zip中，用户可以找到完整的源代码、预训练模型、配置文件以及数据集。这些资源使得研究人员和开发者能够快速上手，进行模型的训练和验证。配置文件详细定义了模型结构、训练参数、优化器设置等，可以根据实际需求进行调整。预训练模型则可以直接用于测试，或作为新模型训练的基础。使用PaddleDetection 2.5，开发者可以通过以下步骤实现行人检测与追踪： 1. 预处理：准备数据集，包括图像和对应的行人框标注，通常格式为CSV或json。 2. 模型选择：根据应用场景选择合适的检测和追踪模型，配置相应的参数。 3. 训练：使用PaddlePaddle的训练API进行模型训练，可以调整学习率、批大小等超参数以优化性能。 4. 验证与评估：在验证集上测试模型性能，通过指标如平均精度（mAP）、追踪精度等进行评估。 5. 应用部署：将训练好的模型部署到实际应用中，如嵌入式设备或服务器，实现实时行人检测与追踪。 PaddleDetection-release-2.5.zip 提供了一个强大且易用的行人检测与追踪解决方案，它结合了百度飞桨的高效计算能力和丰富的模型库，为科研人员和开发者提供了强大的工具，以应对复杂场景下的行人检测与追踪挑战。通过深入理解和实践这个项目，不仅可以提升对深度学习的理解，还可以为实际的人工智能应用开发打下坚实基础。

收起资源包目录

PaddleDetection-release-2.5.zip （1594个子文件）

README.md.bak 4KB

demo_bare_metal.c 2KB

object_detector.cc 23KB

main_keypoint.cc 22KB

trajectory.cc 17KB

trajectory.cc 15KB

main.cc 15KB

pipeline.cc 13KB

jde_detector.cc 12KB

keypoint_postprocess.cc 12KB

object_detector.cc 12KB

keypoint_detector.cc 12KB

preprocess_op.cc 11KB

tracker.cc 10KB

main_jde.cc 9KB

keypoint_postprocess.cc 9KB

keypoint_detector.cc 8KB

jde_predictor.cc 8KB

postprocess.cc 7KB

preprocess_op.cc 6KB

main.cc 6KB

picodet_postprocess.cc 4KB

matched_rbox_iou_op.cc 3KB

rbox_iou_op.cc 3KB

utils.cc 2KB

sde_predictor.cc 2KB

predictor.cc 1KB

config_parser.cc 1KB

arm-none-eabi-gcc.cmake 3KB

yaml-cpp.cmake 962B

main.cpp 14KB

mask_rcnn_r50_fpn_1x_coco.cpp 10KB

main.cpp 10KB

keypoint_postprocess.cpp 10KB

lapjv.cpp 10KB

yolov3_darknet53_270e_coco.cpp 9KB

ppyolo_mbv3_large_coco.cpp 9KB

lapjv.cpp 9KB

picodet_mnn.cpp 9KB

ppyoloe_crn_s_300e_coco.cpp 9KB

picodet_lcnet_1_5x_416_coco.cpp 8KB

picodet.cpp 8KB

tinypose_128x96.cpp 8KB

picodet_mnn.cpp 7KB

keypoint_detector.cpp 7KB

picodet_openvino.cpp 7KB

main.cpp 7KB

keypoint_detector.cpp 7KB

rbox_iou_op.cu 4KB

matched_rbox_iou_op.cu 2KB

football_keypoint.gif 29.74MB

mot_pose_demo_640x360.gif 22MB

mot16_jde.gif 18.27MB

c1.gif 18.15MB

mot.gif 14.11MB

c2.gif 12.76MB

ppdet.gif 12.67MB

illegal_parking_demo.gif 10.73MB

pptracking-demo.gif 9.35MB

attribute.gif 8.35MB

fight_demo.gif 5.26MB

ht_fairmot.gif 4.68MB

calling.gif 4.39MB

vehicle_attribute.gif 3.95MB

action.gif 3.77MB

fitness_demo.gif 3.35MB

smoking.gif 3.33MB

kitticars_fairmot.gif 2.48MB

.gitignore 1KB

.gitignore 55B

.gitignore 10B

.gitignore 0B

rbox_iou_op.h 10KB

trajectory.h 8KB

trajectory.h 7KB

preprocess_op.h 6KB

preprocess_op.h 5KB

pipeline.h 5KB

keypoint_postprocess.h 5KB

preprocess_op.h 5KB

object_detector.h 4KB

keypoint_detector.h 4KB

picodet_mnn.h 4KB

keypoint_detector.h 4KB

jde_detector.h 4KB

config_parser.h 4KB

predictor.h 4KB

keypoint_detector.h 4KB

sde_predictor.h 3KB

共 1594 条

资源推荐

资源预览

资源评论

简体中文 | [English](README_en.md) # PP-PicoDet ![](../../docs/images/picedet_demo.jpeg) ## 最新动态 - 发布PicoDet-NPU模型，支持模型全量化部署。详情请参考[PicoDet全量化示例](./FULL_QUANTIZATION.md) **（2022.08.10）** - 发布全新系列PP-PicoDet模型：**（2022.03.20）** - (1)引入TAL及ETA Head，优化PAN等结构，精度提升2个点以上； - (2)优化CPU端预测速度，同时训练速度提升一倍； - (3)导出模型将后处理包含在网络中，预测直接输出box结果，无需二次开发，迁移成本更低，端到端预测速度提升10%-20%。 ## 历史版本模型 - 详情请参考：[PicoDet 2021.10版本](./legacy_model/) ## 简介 PaddleDetection中提出了全新的轻量级系列模型`PP-PicoDet`，在移动端具有卓越的性能，成为全新SOTA轻量级模型。详细的技术细节可以参考我们的[arXiv技术报告](https://arxiv.org/abs/2111.00902)。 PP-PicoDet模型有如下特点： - 🌟 更高的mAP: 第一个在1M参数量之内`mAP(0.5:0.95)`超越**30+**(输入416像素时)。 - 🚀 更快的预测速度: 网络预测在ARM CPU下可达150FPS。 - 😊 部署友好: 支持PaddleLite/MNN/NCNN/OpenVINO等预测库，支持转出ONNX，提供了C++/Python/Android的demo。 - 😍 先进的算法: 我们在现有SOTA算法中进行了创新, 包括：ESNet, CSP-PAN, SimOTA等等。 <div align="center"> <img src="../../docs/images/picodet_map.png" width='600'/> </div> ## 基线 | 模型 | 输入尺寸 | mAPval 0.5:0.95 | mAPval 0.5 | 参数量 (M) | FLOPS (G) | 预测时延[CPU](#latency) (ms) | 预测时延[Lite](#latency) (ms) | 权重下载 | 配置文件 | 导出模型 | | :-------- | :--------: | :---------------------: | :----------------: | :----------------: | :---------------: | :-----------------------------: | :-----------------------------: | :----------------------------------------: | :--------------------------------------- | :--------------------------------------- | | PicoDet-XS | 320*320 | 23.5 | 36.1 | 0.70 | 0.67 | 3.9ms | 7.81ms | [model](https://paddledet.bj.bcebos.com/models/picodet_xs_320_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_xs_320_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_xs_320_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_xs_320_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_xs_320_coco_lcnet_non_postprocess.tar) | | PicoDet-XS | 416*416 | 26.2 | 39.3 | 0.70 | 1.13 | 6.1ms | 12.38ms | [model](https://paddledet.bj.bcebos.com/models/picodet_xs_416_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_xs_416_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_xs_416_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_xs_416_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_xs_416_coco_lcnet_non_postprocess.tar) | | PicoDet-S | 320*320 | 29.1 | 43.4 | 1.18 | 0.97 | 4.8ms | 9.56ms | [model](https://paddledet.bj.bcebos.com/models/picodet_s_320_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_s_320_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_s_320_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_s_320_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_s_320_coco_lcnet_non_postprocess.tar) | | PicoDet-S | 416*416 | 32.5 | 47.6 | 1.18 | 1.65 | 6.6ms | 15.20ms | [model](https://paddledet.bj.bcebos.com/models/picodet_s_416_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_s_416_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_s_416_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_s_416_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_s_416_coco_lcnet_non_postprocess.tar) | | PicoDet-M | 320*320 | 34.4 | 50.0 | 3.46 | 2.57 | 8.2ms | 17.68ms | [model](https://paddledet.bj.bcebos.com/models/picodet_m_320_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_m_320_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_m_320_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_m_320_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_m_320_coco_lcnet_non_postprocess.tar) | | PicoDet-M | 416*416 | 37.5 | 53.4 | 3.46 | 4.34 | 12.7ms | 28.39ms | [model](https://paddledet.bj.bcebos.com/models/picodet_m_416_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_m_416_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_m_416_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_m_416_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_m_416_coco_lcnet_non_postprocess.tar) | | PicoDet-L | 320*320 | 36.1 | 52.0 | 5.80 | 4.20 | 11.5ms | 25.21ms | [model](https://paddledet.bj.bcebos.com/models/picodet_l_320_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_l_320_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_l_320_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_l_320_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_l_320_coco_lcnet_non_postprocess.tar) | | PicoDet-L | 416*416 | 39.4 | 55.7 | 5.80 | 7.10 | 20.7ms | 42.23ms | [model](https://paddledet.bj.bcebos.com/models/picodet_l_416_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_l_416_coco_lcnet.log) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/configs/picodet/picodet_l_416_coco_lcnet.yml) | [w/ 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_l_416_coco_lcnet.tar) | [w/o 后处理](https://paddledet.bj.bcebos.com/deploy/Inference/picodet_l_416_coco_lcnet_non_postprocess.tar) | | PicoDet-L | 640*640 | 42.6 | 59.2 | 5.80 | 16.81 | 62.5ms | 108.1ms | [model](https://paddledet.bj.bcebos.com/models/picodet_l_640_coco_lcnet.pdparams) | [log](https://paddledet.bj.bcebos.com/logs/train_picodet_l_640_coco_lcnet.log) | [config](https