目标检测¶
介绍¶
PaddleX目前提供了FasterRCNN和YOLOv3两种检测结构,多种backbone模型,可满足开发者不同场景和性能的需求。
- Box MMAP: 模型在COCO数据集上的测试精度
- 预测速度:单张图片的预测用时(不包括预处理和后处理)
- “-”表示指标暂未更新
模型(点击获取代码) | Box MMAP | 模型大小 | GPU预测速度 | Arm预测速度 | 备注 |
---|---|---|---|---|---|
YOLOv3-MobileNetV1 | 29.3% | 99.2MB | 15.442ms | - | 模型小,预测速度快,适用于低性能或移动端设备 |
YOLOv3-MobileNetV3 | 31.6% | 100.7MB | 143.322ms | - | 模型小,移动端上预测速度有优势 |
YOLOv3-DarkNet53 | 38.9% | 249.2MB | 42.672ms | - | 模型较大,预测速度快,适用于服务端 |
PPYOLO | 45.9% | 329.1MB | - | - | 模型较大,预测速度比YOLOv3-DarkNet53更快,适用于服务端 |
FasterRCNN-ResNet50-FPN | 37.2% | 167.7MB | 197.715ms | - | 模型精度高,适用于服务端部署 |
FasterRCNN-ResNet18-FPN | 32.6% | 173.2MB | - | - | 模型精度高,适用于服务端部署 |
FasterRCNN-HRNet-FPN | 36.0% | 115.MB | 81.592ms | - | 模型精度高,预测速度快,适用于服务端部署 |
开始训练¶
将代码保存到本地后运行(代码下载链接位于上面的表格),代码会自动下载训练数据并开始训练。如保存为yolov3_mobilenetv1.py
,执行如下命令即可开始训练:
python yolov3_mobilenetv1.py
相关文档¶
- 【重要】针对自己的机器环境和数据,调整训练参数?先了解下PaddleX中训练参数作用。——>>传送门
- 【有用】没有机器资源?使用AIStudio免费的GPU资源在线训练模型。——>>传送门
- 【拓展】更多目标检测模型,查阅PaddleX模型库和API使用文档。