## CPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle
## GPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpuPaddleDetection是飞桨推出的端到端目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。PaddleDetection以模块化的设计实现了多种主流目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。目前基于PaddleDetection已经完成落地的项目涉及工业质检、遥感图像检测、无人巡检等多个领域。
目前检测库下模型均要求使用PaddlePaddle 1.7及以上版本或适当的develop版本。
简介
特性：
-
模型丰富：
PaddleDetection提供了丰富的模型，包含目标检测、实例分割、人脸检测等100+个预训练模型，涵盖多种数据集竞赛冠军方案、适合云端/边缘端设备部署的检测方案。
-
易部署:
PaddleDetection的模型中使用的核心算子均通过C++或CUDA实现，同时基于PaddlePaddle的高性能推理引擎可以方便地部署在多种硬件平台上。
-
高灵活度：
PaddleDetection通过模块化设计来解耦各个组件，基于配置文件可以轻松地搭建各种检测模型。
-
高性能：
基于PaddlePaddle框架的高性能内核，在模型训练速度、显存占用上有一定的优势。例如，YOLOv3的训练速度快于其他框架，在Tesla V100 16GB环境下，Mask-RCNN(ResNet50)可以单卡Batch Size可以达到4 (甚至到5)。
支持的模型结构：
| ResNet | ResNet-vd 1 | ResNeXt-vd | SENet | MobileNet | HRNet | Res2Net | |
|---|---|---|---|---|---|---|---|
| Faster R-CNN | ✓ | ✓ | x | ✓ | ✗ | ✗ | ✗ |
| Faster R-CNN + FPN | ✓ | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ |
| Mask R-CNN | ✓ | ✓ | x | ✓ | ✗ | ✗ | ✗ |
| Mask R-CNN + FPN | ✓ | ✓ | ✓ | ✓ | ✗ | ✗ | ✓ |
| Cascade Faster-RCNN | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✗ |
| Cascade Mask-RCNN | ✓ | ✗ | ✗ | ✓ | ✗ | ✗ | ✗ |
| Libra R-CNN | ✗ | ✓ | ✗ | ✗ | ✗ | ✗ | ✗ |
| RetinaNet | ✓ | ✗ | ✓ | ✗ | ✗ | ✗ | ✗ |
| YOLOv3 | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✗ |
| SSD | ✗ | ✗ | ✗ | ✗ | ✓ | ✗ | ✗ |
| BlazeFace | ✗ | ✗ | ✗ | ✗ | ✗ | ✗ | ✗ |
| Faceboxes | ✗ | ✗ | ✗ | ✗ | ✗ | ✗ | ✗ |
[1] ResNet-vd 模型预测速度基本不变的情况下提高了精度。
说明： ✓ 为模型库中提供了对应配置文件和预训练模型，✗ 为未提供参考配置，但一般都支持。
更多的模型:
- EfficientDet
- FCOS
- CornerNet-Squeeze
- YOLOv4
更多的Backone：
- DarkNet
- VGG
- GCNet
- CBNet
- Hourglass
扩展特性：
- Synchronized Batch Norm
- Group Norm
- Modulated Deformable Convolution
- Deformable PSRoI Pooling
- Non-local和GCNet
-
一、PaddleDetection的安装 前言：PaddleDetection依赖paddlepaddle，需要先安装paddlepaddle 1.从github/gitee获取PaddleDetection完整资源 github git clone https://github.com/PaddlePaddle/PaddleDetection.git gitee git clone https
-
paddlepaddle是百度公司自研的一个深度学习框架，最近做项目要用到paddle里的PaddleDetection做目标检测训练，所以要在服务器上先把环境搭好，记录一下整个安装过程。 *参考文档* https://www.paddlepaddle.org.cn/documentation/docs/zh/install/conda/linux-conda.html *参考文档* https:
-
1. 配置模块设计与介绍 1.1 简介 为了使配置过程更加自动化并减少配置错误，PaddleDetection的配置管理采取了较为严谨的设计。 1.2 设计思想 目前主流框架全局配置基本是一个Python dict，这种设计对配置的检查并不严格，拼写错误或者遗漏的配置项往往会造成训练过程中的严重错误，进而造成时间及资源的浪费。为了避免这些陷阱，从自动化和静态分析的原则出发，PaddleDetect
-
PaddleDetection为目标检测库，提供了多种预训练模型和模型配置文件，根据任务需求选择现有的配置文件调整参数即可： YoloV3的优势 ， 1.YOLO网络：单步的目标检测算法，适合目标的实时检测，推算速度较快。丧失部分精度，将图片端到端的进行目标检测，也引入了rcnn的Anchor框体系大幅提升mAP。因为没有进行区域采样，所以对全局信息有较好的表现，前两代网络在小目标检测上表现稍差
-
PaddleDetection中支持了种类丰富的数据增强算子，有单图像数据增强算子与批数据增强算子两种方式。为模型训练任务添加合适的数据增强算子，有利于模型性能的再度提升。但是，paddledetection官方并没有提供每一个算子的使用教程（配置方法），为此博主通过对paddledetection的github源码进行分析，查找特定关键字，实现对各种数据增强算子的使用探索。 1、单图数据增强算子
-
接 上一篇工作，最后在每七节会推理，并且可以保存推理结果，原始结果是coco json那么本文是将目标检测推理获得的结果转换成xml,样这方便使用labelimg进行查看和调整模型输出结果。 这个工作有一个应用场景那就是我有少量数据，首先训练一个模型，然后对更多的无标签数据进行推理，获得推理结果，经转换后，人工对图片进行重新标注，相当于模型起到预标注的工作，这样可以加快标注速度，提升标注精度，降低
-
@subpage tutorial_py_face_detection_cn 人脸识别 使用 haar-cascades
-
对于端到端测试，electron-vue 使用 Spectron 和 测试框架 Mocha (以及 Chai)。Mocha 和 Chai 的 API (包括 expect、should 以及 assert 在内) 均在全局范围内可用。 运行测试 # 开始 Mochanpm run e2e 注意 在运行端到端测试之前，为了使 Spectron 在测试的时候可用，请调用 npm run pack 来创
-
本模板使用的是Nightwatch.js来做端到端测试。Nightwatch.js是一个高度集成到Selenium的端到端测试。本模板为你带来了Selenium服务器和chromedriver二进制文件的预配置，所以你不需要管这部分。 让我们看一下 test/e2e 目录的文件吧： runner.js 运行一个开发服务器的nodejs脚本，可以在上面跑Nightwatch。这是你运行npm run
-
随着软件的规模和复杂度增长。依靠人工来进行测试越来越不现实。 为了解决这个问题，我们建立了Angular Scenario Runner来模拟用户交互，以此来帮助你对你的应用进行测试。 概览 方案测试(scenario tests)使用Javascript写的，你在其中描述在某一个状态的某一个交互中你的应用应该运作。一个方案包括一个或多个it代码块（你可以把这些当成你应用的需求），代码块它由命令和
-
在“锚框”一节中，我们在实验中以输入图像的每个像素为中心生成多个锚框。这些锚框是对输入图像不同区域的采样。然而，如果以图像每个像素为中心都生成锚框，很容易生成过多锚框而造成计算量过大。举个例子，假设输入图像的高和宽分别为561像素和728像素，如果以每个像素为中心生成5个不同形状的锚框，那么一张图像上则需要标注并预测200多万个锚框（$561 \times 728 \times 5$）。 减少锚框
-
必须 使用 Laravel 官方前端工具做前端开发自动化； 必须 保证页面只加载一个 .css 文件； 必须 保证页面只加载一个 .js 文件； 必须 为 .css 和 .js 增加 版本控制； 必须 使用 SASS 来书写 CSS 代码；