---license: Apache License 2.0 tasks:- Domain-Specific Large Models- Object Detection---## 1. PP-YOLOv2模型简介YOLO系列作为目标检测的重要算法,采用单阶段(one-stage)方法使得检测速度大幅提升,但是速度的提升也牺牲了部分准确率作为代价。因此，如何在提升YOLOv3的准确性的同时保持推理速度成为了其实际应用时的关键问题。为同时满足准确性与高效性，PP-YOLOv2作者团队做了大量优化工作，PP-YOLOv2（R50）在COCO test数据集mAP从45.9%达到了49.5%，相较v1提升了3.6个百分点，FP32 FPS高达68.9FPS，FP16 FPS高达106.5FPS，超越了YOLOv4甚至YOLOv5！如果使用RestNet101作为骨架网络，PP-YOLOv2（R101）的mAP更高达50.3%，并且比同等精度下的YOLOv5x快15.9%！PP-YOLO模型由飞桨官方出品，是PaddleDetection优化和改进的YOLOv3的模型。更多关于PaddleDetection可以点击https://github.com/PaddlePaddle/PaddleDetection 进行了解。## 2. 模型效果及应用场景### 2.1 目标检测任务：#### 2.1.1 数据集：数据集以COCO格式为主，分为训练集和测试集。#### 2.1.2 模型效果速览：PP-YOLOv2在图片上的检测效果为：<div align="center"><img src="https://user-images.githubusercontent.com/23690325/198869600-b7a549db-2cc6-49b1-8009-937fb5abe992.png" width = "80%" /></div><div align="center"><img src="https://user-images.githubusercontent.com/23690325/198869611-451eda5f-eda6-4717-902c-b9b06070bc72.png" width = "80%" /></div>## 3. 模型如何使用### 3.1 模型推理：* 下载 （不在Jupyter Notebook上运行时需要将"！"或者"%"去掉。）```python# 克隆PaddleDetection仓库%mkdir -p ~/work%cd ~/work/!git clone https://github.com/PaddlePaddle/PaddleDetection.git# 安装其他依赖%cd PaddleDetection%mkdir -p demo_input demo_output!pip install -r requirements.txt```* 验证是否安装成功如果报错，只需执行上一步操作。```python# 测试是否安装成功!python ppdet/modeling/tests/test_architectures.py```* 快速体验恭喜！ 您已经成功安装了PaddleDetection，接下来快速体验目标检测效果```python# 在GPU上预测一张图片!export CUDA_VISIBLE_DEVICES=0!wget -P demo_input -N https://paddledet.bj.bcebos.com/modelcenter/images/General/000000014439.jpg!python tools/infer.py -c configs/ppyolo/ppyolo_r50vd_dcn_1x_coco.yml -o use_gpu=true weights=https://paddledet.bj.bcebos.com/models/ppyolo_r50vd_dcn_1x_coco.pdparams --infer_img=demo_input/000000014439.jpg```会在output文件夹下生成一个画有预测结果的同名图像。结果如下图：<div align="center"><img src="https://bj.bcebos.com/v1/paddledet/modelcenter/images/ppyolov2_infer.jpg" width = "60%" /></div>### 3.2 模型训练：* 克隆PaddleDetection仓库（详见3.1）* 准备数据集这里需要开发者自行准备数据集，以下举例假设开发者已经准备好wider_face数据集并且解压到 PaddleDetection/dataset/wider_face/下通过以下命令确认数据集已经准备完成。 * 修改yaml配置文件修改配置文件``` configs/runtime.yml``````use_gpu: true # 是否使用GPUlog_iter: 20 # 每多少个迭代次显示save_dir: output # 模型保存目录snapshot_epoch: 1 # 多少个epoch保存一次print_flops: false```修改配置文件``` configs/datasets/coco_detection.yml``````metric: COCO num_classes: 1 # 分类个数 TrainDataset: !COCODataSet image_dir: WIDER_train/images # 训练图像数据基于数据集根目录的相对路径 anno_path: WIDERFaceTrainCOCO.json # 训练标注文件基于数据集根目录的相对路径 dataset_dir: dataset/wider_face # 数据集根目录 data_fields: ['image', 'gt_bbox', 'gt_class', 'is_crowd']EvalDataset: !COCODataSet image_dir: WIDER_val/images # 测试图像数据基于数据集根目录的相对路径 anno_path: WIDERFaceValCOCO.json # 测试标注文件基于数据集根目录的相对路径 dataset_dir: dataset/wider_faceTestDataset: !ImageFolder anno_path: WIDERFaceValCOCO.json ```修改配置文件``` configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml``````_BASE_: [ '../datasets/coco_detection.yml', '../runtime.yml', './_base_/ppyolov2_r50vd_dcn.yml', './_base_/optimizer_365e.yml', './_base_/ppyolov2_reader.yml',]snapshot_epoch: 8 #每训练多少个epoch保存一次模型weights: output/ppyolov2_r50vd_dcn_365e_coco/model_final```* 训练模型```python%cd ~/work/PaddleDetection/%env CUDA_VISIBLE_DEVICES=0#开始训练!python tools/train.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml --use_vdl=true ```* 模型评估我们提供了```configs/ppyolo/ppyolo_test.yml```用于评估COCO test-dev2017数据集的效果，评估COCO test-dev2017数据集的效果须先从COCO数据集下载页下载test-dev2017数据集，解压到```configs/ppyolo/ppyolo_test.yml```中EvalReader.dataset中配置的路径，并使用如下命令进行评估（需附上模型平均精度AP和AR评估指标，提供图片或者表格）。```python%cd ~/work/PaddleDetection/%env CUDA_VISIBLE_DEVICES=0#训练完以后，进行评估!python tools/eval.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml -o use_gpu=true```## 4. 模型原理* 采用 Path Aggregation Network（路径聚合网络）设计 Detection NetPP-YOLOv2 采用了 FPN 的变形之一—PAN（Path Aggregation Network）来从上至下的聚合特征信息。<div align="center"><img src="https://user-images.githubusercontent.com/23690325/198870025-f7f0e976-0fb0-4496-b359-b0e2a751cab1.png" width = "80%" /></div>* 采用 Mish 激活函数PP-YOLOv2的mish 激活函数应用在了 detection neck 而不是骨架网络上。* 更大的输入尺寸增加输入尺寸直接带来了目标面积的扩大。这样，网络可以更容易捕捉到小尺幅目标的信息，得到更高的性能。然而，更大的输入会带来更多的内存占用。所以在使用这个策略的同时，PP-YOLOv2同时减少 Batch Size。## 5. 注意事项不管是 PP-YOLO 还是 PP-YOLOv2，都是在寻找在产业实践中最高性价比的目标检测方案，而不是单纯的以提升单阶段目标检测的精度去堆网络和策略。关于PP-YOLOv2的论文中也特别提到，是以实验报告的角度来为业界开发者展示更多网络优化的方法，这些策略也可以被应用在其他网络的优化上，希望在给业界开发者带来更好的网络的同时，也带来更多的算法优化启发。同时，在使用PP-YOLO系列时也应当注意：* PP-YOLO模型使用COCO数据集中的train2017作为训练集，使用val2017和test-dev2017作为测试集，Box APtest为mAP(IoU=0.5:0.95)评估结果。* PP-YOLO模型训练过程中使用8 GPUs，每GPU batch size为24进行训练，如训练GPU数和batch size不使用上述配置，须参考FAQ调整学习率和迭代次数。* PP-YOLO模型推理速度测试采用单卡V100，batch size=1进行测试，使用CUDA 10.2, CUDNN 7.5.1，TensorRT推理速度测试使用TensorRT 5.1.2.2。* PP-YOLO模型FP32的推理速度测试数据为使用tools/export_model.py脚本导出模型后，使用deploy/python/infer.py脚本中的--run_benchnark参数使用Paddle预测库进行推理速度benchmark测试结果, 且测试的均为不包含数据预处理和模型输出后处理(NMS)的数据(与YOLOv4(AlexyAB)测试方法一致)。* TensorRT FP16的速度测试相比于FP32去除了yolo_box(bbox解码)部分耗时，即不包含数据预处理，bbox解码和NMS(与YOLOv4(AlexyAB)测试方法一致)。## 6. 相关论文以及引用信息（如果本模型有相关论文发表，或者是基于某些论文的结果，可以在这里提供Bibtex格式的参考文献。）```@article{huang2021pp, title={PP-YOLOv2: A Practical Object Detector}, author={Huang, Xin and Wang, Xinxin and Lv, Wenyu and Bai, Xiaying and Long, Xiang and Deng, Kaipeng and Dang, Qingqing and Han, Shumin and Liu, Qiwen and Hu, Xiaoguang and others}, journal={arXiv preprint arXiv:2104.10419}, year={2021}}```