Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

https://github.com/PaddlePaddle/PaddleYOLO

🚀🚀🚀 YOLO series of PaddlePaddle implementation, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet and so on. 🚀🚀🚀
https://github.com/PaddlePaddle/PaddleYOLO

instance-segmentation object-detection paddle paddleyolo ppyolo ppyoloe ppyolov2 rt-detr rtmdet yolo yoloe yolov3 yolov5 yolov5u yolov6 yolov6lite yolov7 yolov7u yolov8 yolox

Last synced: 12 days ago
JSON representation

🚀🚀🚀 YOLO series of PaddlePaddle implementation, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet and so on. 🚀🚀🚀

Lists

README 

        
简体中文 | [English](README_en.md)



## 简介



**PaddleYOLO**是基于[PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection)的YOLO系列模型库，**只包含YOLO系列模型的相关代码**，支持`YOLOv3`、`PP-YOLO`、`PP-YOLOv2`、`PP-YOLOE`、**`PP-YOLOE+`**、**`RT-DETR`**、`YOLOX`、`YOLOv5`、`YOLOv6`、`YOLOv7`、`YOLOv8`、`YOLOv5u`、`YOLOv7u`、`YOLOv6Lite`、`RTMDet`等模型，COCO数据集模型库请参照 [ModelZoo](docs/MODEL_ZOO_cn.md) 和 [configs](configs/)。





  

  




**注意:**



 - **PaddleYOLO** 代码库协议为 **[GPL 3.0](LICENSE)**，[YOLOv5](configs/yolov5)、[YOLOv6](configs/yolov6)、[YOLOv7](configs/yolov7)和[YOLOv8](configs/yolov8)这几类模型代码不合入[PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection)，其余YOLO模型推荐在[PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection)中使用，**会最先发布PP-YOLO系列特色检测模型的最新进展**；

 - **PaddleYOLO**代码库**推荐使用paddlepaddle-2.4.2以上的版本**，请参考[官网](https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/linux-pip.html)下载对应适合版本，**Windows平台请安装paddle develop版本**；

 - **PaddleYOLO 的[Roadmap](https://github.com/PaddlePaddle/PaddleYOLO/issues/44)** issue用于收集用户的需求，欢迎提出您的建议和需求；



## 教程



安装



Clone 代码库和安装 [requirements.txt](./requirements.txt)，环境需要在一个

[**Python>=3.7.0**](https://www.python.org/) 下的环境，且需要安装

[**PaddlePaddle>=2.4.2**](https://www.paddlepaddle.org.cn/install/)。



```bash

git clone https://github.com/PaddlePaddle/PaddleYOLO  # clone

cd PaddleYOLO

pip install -r requirements.txt  # install

```



训练/验证/预测/

将以下命令写在一个脚本文件里如```run.sh```，一键运行命令为：```sh run.sh```，也可命令行一句句去运行。



```bash

model_name=ppyoloe # 可修改，如 yolov7

job_name=ppyoloe_plus_crn_s_80e_coco # 可修改，如 yolov7_tiny_300e_coco



config=configs/${model_name}/${job_name}.yml

log_dir=log_dir/${job_name}

# weights=https://bj.bcebos.com/v1/paddledet/models/${job_name}.pdparams

weights=output/${job_name}/model_final.pdparams



# 1.训练（单卡/多卡），加 --eval 表示边训边评估，加 --amp 表示混合精度训练

# CUDA_VISIBLE_DEVICES=0 python tools/train.py -c ${config} --eval --amp

python -m paddle.distributed.launch --log_dir=${log_dir} --gpus 0,1,2,3,4,5,6,7 tools/train.py -c ${config} --eval --amp



# 2.评估，加 --classwise 表示输出每一类mAP

CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c ${config} -o weights=${weights} --classwise



# 3.预测 (单张图/图片文件夹）

CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c ${config} -o weights=${weights} --infer_img=demo/000000014439_640x640.jpg --draw_threshold=0.5

# CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c ${config} -o weights=${weights} --infer_dir=demo/ --draw_threshold=0.5

```



部署/测速



将以下命令写在一个脚本文件里如```run.sh```，一键运行命令为：```sh run.sh```，也可命令行一句句去运行。



```bash

model_name=ppyoloe # 可修改，如 yolov7

job_name=ppyoloe_plus_crn_s_80e_coco # 可修改，如 yolov7_tiny_300e_coco



config=configs/${model_name}/${job_name}.yml

log_dir=log_dir/${job_name}

# weights=https://bj.bcebos.com/v1/paddledet/models/${job_name}.pdparams

weights=output/${job_name}/model_final.pdparams



# 4.导出模型，以下3种模式选一种

## 普通导出，加trt表示用于trt加速，对NMS和silu激活函数提速明显

CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c ${config} -o weights=${weights} # trt=True



## exclude_post_process去除后处理导出，返回和YOLOv5导出ONNX时相同格式的concat后的1个Tensor，是未缩放回原图的坐标+分类置信度

# CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c ${config} -o weights=${weights} exclude_post_process=True # trt=True



## exclude_nms去除NMS导出，返回2个Tensor，是缩放回原图后的坐标和分类置信度

# CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c ${config} -o weights=${weights} exclude_nms=True # trt=True



# 5.部署预测，注意不能使用 去除后处理 或 去除NMS 导出后的模型去预测

CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/${job_name} --image_file=demo/000000014439_640x640.jpg --device=GPU



# 6.部署测速，加 “--run_mode=trt_fp16” 表示在TensorRT FP16模式下测速，注意如需用到 trt_fp16 则必须为加 trt=True 导出的模型

CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/${job_name} --image_file=demo/000000014439_640x640.jpg --device=GPU --run_benchmark=True # --run_mode=trt_fp16



# 7.onnx导出，一般结合 exclude_post_process去除后处理导出的模型

paddle2onnx --model_dir output_inference/${job_name} --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 12 --save_file ${job_name}.onnx



# 8.onnx trt测速

/usr/local/TensorRT-8.0.3.4/bin/trtexec --onnx=${job_name}.onnx --workspace=4096 --avgRuns=10 --shapes=input:1x3x640x640 --fp16

/usr/local/TensorRT-8.0.3.4/bin/trtexec --onnx=${job_name}.onnx --workspace=4096 --avgRuns=10 --shapes=input:1x3x640x640 --fp32

```



- 如果想切换模型，只要修改开头两行即可，如:

  ```

  model_name=yolov7

  job_name=yolov7_tiny_300e_coco

  ```

- 导出**onnx**，首先安装[Paddle2ONNX](https://github.com/PaddlePaddle/Paddle2ONNX)，`pip install paddle2onnx`；

- **统计FLOPs(G)和Params(M)**，首先安装[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim)，`pip install paddleslim`，然后设置[runtime.yml](configs/runtime.yml)里`print_flops: True`和`print_params: True`，并且注意确保是**单尺度**下如640x640，**打印的是MACs，FLOPs=2*MACs**。



 [训练自定义数据集](https://github.com/PaddlePaddle/PaddleYOLO/issues/43) 



- 请参照[文档](docs/MODEL_ZOO_cn.md#自定义数据集)和[issue](https://github.com/PaddlePaddle/PaddleYOLO/issues/43)；

- PaddleDetection团队提供了**基于PP-YOLOE的各种垂类检测模型**的配置文件和权重，用户也可以作为参考去使用自定义数据集。请参考 [PP-YOLOE application](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.6/configs/ppyoloe/application)、[pphuman](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.6/configs/pphuman)、[ppvehicle](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.6/configs/ppvehicle)、[visdrone](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.6/configs/visdrone) 和 [smalldet](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.6/configs/smalldet)。

- PaddleDetection团队也提供了**VOC数据集的各种YOLO模型**的配置文件和权重，用户也可以作为参考去使用自定义数据集。请参考 [voc](configs/voc)。

- 训练自定义数据集之前请先**确保加载了对应COCO权重作为预训练**，将配置文件中的`pretrain_weights: `设置为对应COCO模型训好的权重，一般会提示head分类层卷积的通道数没对应上，属于正常现象，是由于自定义数据集一般和COCO数据集种类数不一致；

- YOLO检测模型建议**总`batch_size`至少大于`64`**去训练，如果资源不够请**换小模型**或**减小模型的输入尺度**，为了保障较高检测精度，**尽量不要尝试单卡训和总`batch_size`小于`64`训**；



## 更新日志



* 【2023/05/21】支持[RT-DETR](configs/rtdetr)、[YOLOv8](configs/yolov8)、[YOLOv5u](configs/yolov5/yolov5u)和[YOLOv7u](configs/yolov7/yolov7u)训练全流程，支持[YOLOv6Lite](configs/yolov6/yolov6lite)预测和部署；

* 【2023/03/13】支持[YOLOv5u](configs/yolov5/yolov5u)和[YOLOv7u](configs/yolov7/yolov7u)预测和部署；

* 【2023/01/10】支持[YOLOv8](configs/yolov8)预测和部署；

* 【2022/09/29】支持[RTMDet](configs/rtmdet)预测和部署；

* 【2022/09/26】发布[PaddleYOLO](https://github.com/PaddlePaddle/PaddleYOLO)模型套件，请参照[ModelZoo](docs/MODEL_ZOO_cn.md)；

* 【2022/09/19】支持[YOLOv6](configs/yolov6)新版，包括n/t/s/m/l模型；

* 【2022/08/23】发布`YOLOSeries`代码库: 支持`YOLOv3`,`PP-YOLOE`,`PP-YOLOE+`,`YOLOX`,`YOLOv5`,`YOLOv6`,`YOLOv7`等YOLO模型，支持`ConvNeXt`骨干网络高精度版`PP-YOLOE`,`YOLOX`和`YOLOv5`等模型，支持PaddleSlim无损加速量化训练`PP-YOLOE`,`YOLOv5`,`YOLOv6`和`YOLOv7`等模型，详情可阅读[此文章](https://mp.weixin.qq.com/s/Hki01Zs2lQgvLSLWS0btrA)；



##  产品动态



- 🔥 **2023.3.14：PaddleYOLO发布[release/2.6版本](https://github.com/PaddlePaddle/PaddleYOLO/tree/release/2.6)**

  - 💡 模型套件：

    - 支持`YOLOv8`,`YOLOv5u`,`YOLOv7u`等YOLO模型预测和部署；

    - 支持`Swin-Transformer`、`ViT`、`FocalNet`骨干网络高精度版`PP-YOLOE+`等模型；

    - 支持`YOLOv8`在[FastDeploy](https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/vision/detection/paddledetection)中多硬件快速部署；



- 🔥 **2022.9.26：PaddleYOLO发布[release/2.5版本](https://github.com/PaddlePaddle/PaddleYOLO/tree/release/2.5)**

  - 💡 模型套件：

    - 发布[PaddleYOLO](https://github.com/PaddlePaddle/PaddleYOLO)模型套件: 支持`YOLOv3`,`PP-YOLOE`,`PP-YOLOE+`,`YOLOX`,`YOLOv5`,`YOLOv6`,`YOLOv7`等YOLO模型，支持`ConvNeXt`骨干网络高精度版`PP-YOLOE`,`YOLOX`和`YOLOv5`等模型，支持PaddleSlim无损加速量化训练`PP-YOLOE`,`YOLOv5`,`YOLOv6`和`YOLOv7`等模型；



- 🔥 **2022.8.26：PaddleDetection发布[release/2.5版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5)**

  - 🗳 特色模型：

    - 发布[PP-YOLOE+](configs/ppyoloe)，最高精度提升2.4% mAP，达到54.9% mAP，模型训练收敛速度提升3.75倍，端到端预测速度最高提升2.3倍；多个下游任务泛化性提升

    - 发布[PicoDet-NPU](configs/picodet)模型，支持模型全量化部署；新增[PicoDet](configs/picodet)版面分析模型

    - 发布[PP-TinyPose升级版](./configs/keypoint/tiny_pose/)增强版，在健身、舞蹈等场景精度提升9.1% AP，支持侧身、卧躺、跳跃、高抬腿等非常规动作

  - 🔮 场景能力：

    - 发布行人分析工具[PP-Human v2](./deploy/pipeline)，新增打架、打电话、抽烟、闯入四大行为识别，底层算法性能升级，覆盖行人检测、跟踪、属性三类核心算法能力，提供保姆级全流程开发及模型优化策略，支持在线视频流输入

    - 首次发布[PP-Vehicle](./deploy/pipeline)，提供车牌识别、车辆属性分析（颜色、车型）、车流量统计以及违章检测四大功能，兼容图片、在线视频流、视频输入，提供完善的二次开发文档教程

  - 💡 前沿算法：

    - 全面覆盖的[YOLO家族](https://github.com/PaddlePaddle/PaddleYOLO)经典与最新模型: 包括YOLOv3，百度飞桨自研的实时高精度目标检测检测模型PP-YOLOE，以及前沿检测算法YOLOv4、YOLOv5、YOLOX，YOLOv6及YOLOv7

    - 新增基于[ViT](configs/vitdet)骨干网络高精度检测模型，COCO数据集精度达到55.7% mAP；新增[OC-SORT](configs/mot/ocsort)多目标跟踪模型；新增[ConvNeXt](configs/convnext)骨干网络

  - 📋 产业范例：新增[智能健身](https://aistudio.baidu.com/aistudio/projectdetail/4385813)、[打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?channelType=0&channel=0)、[来客分析](https://aistudio.baidu.com/aistudio/projectdetail/4230123?channelType=0&channel=0)、车辆结构化范例



- 2022.3.24：PaddleDetection发布[release/2.4版本](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4)

  - 发布高精度云边一体SOTA目标检测模型[PP-YOLOE](configs/ppyoloe)，提供s/m/l/x版本，l版本COCO test2017数据集精度51.6%，V100预测速度78.1 FPS，支持混合精度训练，训练较PP-YOLOv2加速33%，全系列多尺度模型，满足不同硬件算力需求，可适配服务器、边缘端GPU及其他服务器端AI加速卡。

  - 发布边缘端和CPU端超轻量SOTA目标检测模型[PP-PicoDet增强版](configs/picodet)，精度提升2%左右，CPU预测速度提升63%，新增参数量0.7M的PicoDet-XS模型，提供模型稀疏化和量化功能，便于模型加速，各类硬件无需单独开发后处理模块，降低部署门槛。

  - 发布实时行人分析工具[PP-Human](deploy/pipeline)，支持行人跟踪、人流量统计、人体属性识别与摔倒检测四大能力，基于真实场景数据特殊优化，精准识别各类摔倒姿势，适应不同环境背景、光线及摄像角度。

  - 新增[YOLOX](configs/yolox)目标检测模型，支持nano/tiny/s/m/l/x版本，x版本COCO val2017数据集精度51.8%。



- [更多版本发布](https://github.com/PaddlePaddle/PaddleDetection/releases)



##  简介



**PaddleDetection**为基于飞桨PaddlePaddle的端到端目标检测套件，内置**30+模型算法**及**250+预训练模型**，覆盖**目标检测、实例分割、跟踪、关键点检测**等方向，其中包括**服务器端和移动端高精度、轻量级**产业级SOTA模型、冠军方案和学术前沿算法，并提供配置化的网络模块组件、十余种数据增强策略和损失函数等高阶优化支持和多种部署方案，在打通数据处理、模型开发、训练、压缩、部署全流程的基础上，提供丰富的案例及教程，加速算法产业落地应用。





  




##  特性



- **模型丰富**: 包含**目标检测**、**实例分割**、**人脸检测**、****关键点检测****、**多目标跟踪**等**250+个预训练模型**，涵盖多种**全球竞赛冠军**方案。

- **使用简洁**：模块化设计，解耦各个网络组件，开发者轻松搭建、试用各种检测模型及优化策略，快速得到高性能、定制化的算法。

- **端到端打通**: 从数据增强、组网、训练、压缩、部署端到端打通，并完备支持**云端**/**边缘端**多架构、多设备部署。

- **高性能**: 基于飞桨的高性能内核，模型训练速度及显存占用优势明显。支持FP16训练, 支持多机训练。





  




##  技术交流



- 如果你发现任何PaddleDetection存在的问题或者是建议, 欢迎通过[GitHub Issues](https://github.com/PaddlePaddle/PaddleDetection/issues)给我们提issues。



- **欢迎加入PaddleDetection 微信用户群（扫码填写问卷即可入群）**

  - **入群福利 💎：获取PaddleDetection团队整理的重磅学习大礼包🎁**

    - 📊 福利一：获取飞桨联合业界企业整理的开源数据集

    - 👨‍🏫 福利二：获取PaddleDetection历次发版直播视频与最新直播咨询

    - 🗳 福利三：获取垂类场景预训练模型集合，包括工业、安防、交通等5+行业场景

    - 🗂 福利四：获取10+全流程产业实操范例，覆盖火灾烟雾检测、人流量计数等产业高频场景

  


    

  



##  套件结构概览



  

    

      

        Architectures

      

      

        Backbones

      

      

        Components

      

      

        Data Augmentation

      

    

    

      

        
    

            Object Detection

              
      

                  
    • YOLOv3
      •   

                  
    • YOLOv5
      •   

                  
    • YOLOv6
      •   

                  
    • YOLOv7
      •   

                  
    • YOLOv8
      •   

                  
    • PP-YOLOv1/v2
      • 

                  
    • PP-YOLO-Tiny
      • 

                  
    • PP-YOLOE
      • 

                  
    • PP-YOLOE+
      • 

                  
    • YOLOX
      • 

                  
    • RTMDet
      • 

               
    

          


      

      

        Details

        
    

              
  • ResNet(&vd)
    • 

              
  • CSPResNet
    • 

              
  • DarkNet
    • 

              
  • CSPDarkNet
    • 

              
  • ConvNeXt
    • 

              
  • EfficientRep
    • 

              
  • CSPBepBackbone
    • 

              
  • ELANNet
    • 

              
  • CSPNeXt
    • 

            


      

      

        Common

          
    

                
  • Sync-BN
    • 

                
  • Group Norm
    • 

                
  • DCNv2
    • 

                
  • EMA
    • 

              
 

        

        FPN

          
    

                
  • YOLOv3FPN
    • 

                
  • PPYOLOFPN
    • 

                
  • PPYOLOTinyFPN
    • 

                
  • PPYOLOPAN
    • 

                
  • YOLOCSPPAN
    • 

                
  • Custom-PAN
    • 

                
  • RepPAN
    • 

                
  • CSPRepPAN
    • 

                
  • ELANFPN
    • 

                
  • ELANFPNP6
    • 

                
  • CSPNeXtPAFPN
    • 

              
 

          

        Loss

          
    

                
  • Smooth-L1
    • 

                
  • GIoU/DIoU/CIoU
    •   

                
  • IoUAware
    • 

                
  • Focal Loss
    • 

                
  • VariFocal Loss
    • 

              
 

          

        Post-processing

          
    

                
  • SoftNMS
    • 

                
  • MatrixNMS
    •   

              
   

        

        Speed

          
    

                
  • FP16 training
    • 

                
  • Multi-machine training 
    •   

              
   

          

      

      

        Details

        
    

              
  • Resize
    •   

              
  • Lighting
    •   

              
  • Flipping
    •   

              
  • Expand
    • 

              
  • Crop
    • 

              
  • Color Distort
    •   

              
  • Random Erasing
    •   

              
  • Mixup 
    • 

              
  • AugmentHSV
    • 

              
  • Mosaic
    • 

              
  • Cutmix 
    • 

              
  • Grid Mask
    • 

              
  • Auto Augment
    •   

              
  • Random Perspective
    •   

            
   

        

    



    

  



##  模型性能概览



 云端模型性能对比



各模型结构和骨干网络的代表模型在COCO数据集上精度mAP和单卡Tesla V100上预测速度(FPS)对比图。





  




**说明：**



- `PP-YOLOE`是对`PP-YOLO v2`模型的进一步优化，在COCO数据集精度51.6%，Tesla V100预测速度78.1FPS

- `PP-YOLOE+`是对`PPOLOE`模型的进一步优化，在COCO数据集精度53.3%，Tesla V100预测速度78.1FPS

- 图中模型均可在[模型库](#模型库)中获取



 移动端模型性能对比



各移动端模型在COCO数据集上精度mAP和高通骁龙865处理器上预测速度(FPS)对比图。





  




**说明：**



- 测试数据均使用高通骁龙865(4\*A77 + 4\*A55)处理器batch size为1, 开启4线程测试，测试使用NCNN预测库，测试脚本见[MobileDetBenchmark](https://github.com/JiweiMaster/MobileDetBenchmark)

- [PP-PicoDet](configs/picodet)及[PP-YOLO-Tiny](configs/ppyolo)为PaddleDetection自研模型，其余模型PaddleDetection暂未提供



##  模型库



 1. 通用检测



#### [PP-YOLOE+](./configs/ppyoloe)系列 推荐场景：Nvidia V100, T4等云端GPU和Jetson系列等边缘端设备



| 模型名称       | COCO精度（mAP） | V100 TensorRT FP16速度(FPS) | 配置文件                                                  | 模型下载                                                                                 |

|:---------- |:-----------:|:-------------------------:|:-----------------------------------------------------:|:------------------------------------------------------------------------------------:|

| PP-YOLOE+_s | 43.9        | 333.3                     | [链接](configs/ppyoloe/ppyoloe_plus_crn_s_80e_coco.yml)     | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_s_80e_coco.pdparams)      |

| PP-YOLOE+_m | 50.0        | 208.3                     | [链接](configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml)     | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_m_80e_coco.pdparams)     |

| PP-YOLOE+_l | 53.3        | 149.2                     | [链接](configs/ppyoloe/ppyoloe_plus_crn_l_80e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_m_80e_coco.pdparams) |

| PP-YOLOE+_x | 54.9        | 95.2                      | [链接](configs/ppyoloe/ppyoloe_plus_crn_x_80e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/ppyoloe_plus_crn_x_80e_coco.pdparams) |



#### 前沿检测算法



| 模型名称                                                               | COCO精度（mAP） | V100 TensorRT FP16速度(FPS) | 配置文件                                                                                                         | 模型下载                                                                       |

|:------------------------------------------------------------------ |:-----------:|:-------------------------:|:------------------------------------------------------------------------------------------------------------:|:--------------------------------------------------------------------------:|

| [YOLOX-l](configs/yolox)                                           | 50.1        | 107.5                     | [链接](configs/yolox/yolox_l_300e_coco.yml)                                                                    | [下载地址](https://paddledet.bj.bcebos.com/models/yolox_l_300e_coco.pdparams)  |

| [YOLOv5-l](configs/yolov5) | 48.6        | 136.0                     | [链接](configs/yolov5/yolov5_l_300e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/yolov5_l_300e_coco.pdparams) |

| [YOLOv7-l](configs/yolov7) | 51.0        | 135.0                     | [链接](configs/yolov7/yolov7_l_300e_coco.yml) | [下载地址](https://paddledet.bj.bcebos.com/models/yolov7_l_300e_coco.pdparams) |



##  文档教程



### 入门教程



- [安装说明](docs/tutorials/INSTALL_cn.md)

- [快速体验](docs/tutorials/QUICK_STARTED_cn.md)

- [数据准备](docs/tutorials/data/README.md)

- [PaddleDetection全流程使用](docs/tutorials/GETTING_STARTED_cn.md)

- [FAQ/常见问题汇总](docs/tutorials/FAQ)



### 进阶教程



- 参数配置



  - [PP-YOLO参数说明](docs/tutorials/config_annotation/ppyolo_r50vd_dcn_1x_coco_annotation.md)



- 模型压缩(基于[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim))



  - [剪裁/量化/蒸馏教程](configs/slim)



- [推理部署](deploy/README.md)



  - [模型导出教程](deploy/EXPORT_MODEL.md)

  - [Paddle Inference部署](deploy/README.md)

    - [Python端推理部署](deploy/python)

    - [C++端推理部署](deploy/cpp)

  - [Paddle-Lite部署](deploy/lite)

  - [Paddle Serving部署](deploy/serving)

  - [ONNX模型导出](deploy/EXPORT_ONNX_MODEL.md)

  - [推理benchmark](deploy/BENCHMARK_INFER.md)



- 进阶开发



  - [数据处理模块](docs/advanced_tutorials/READER.md)

  - [新增检测模型](docs/advanced_tutorials/MODEL_TECHNICAL.md)

  - 二次开发教程

    - [目标检测](docs/advanced_tutorials/customization/detection.md)



##  版本更新



版本更新内容请参考[版本更新文档](docs/CHANGELOG.md)



##  许可证书



本项目的发布受[GPL-3.0 license](LICENSE)许可认证。



##  引用



```

@misc{ppdet2019,

title={PaddleDetection, Object detection and instance segmentation toolkit based on PaddlePaddle.},

author={PaddlePaddle Authors},

howpublished = {\url{https://github.com/PaddlePaddle/PaddleDetection}},

year={2019}

}

```