---license: Apache License 2.0 tasks:- Domain-Specific Large Models- Object Detection---## 1. 模型简介PP-YOLOE是基于PP-YOLOv2的卓越的单阶段Anchor-free模型，超越了多种流行的YOLO模型。PP-YOLOE有一系列的模型，即s/m/l/x，可以通过width multiplier和depth multiplier配置。PP-YOLOE避免了使用诸如Deformable Convolution或者Matrix NMS之类的特殊算子，以使其能轻松地部署在多种多样的硬件上。关于PP-YOLOE的更多细节可以参考我们的[官方文档](https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.5/configs/ppyoloe/README_cn.md)。## 2. 模型效果PP-YOLOE-l在COCO test-dev2017达到了51.6的mAP, 同时其速度在Tesla V100上达到了78.1 FPS。如下图所示，PP-YOLOE-s/m/x同样具有卓越的精度速度性价比。<div align="center"> <img src="https://paddledet.bj.bcebos.com/modelcenter/images/ppyoloe_map_fps.png" width=500 /></div>## 3. 模型如何使用首先克隆PaddleDetection，并将数据集存放在`dataset/coco/`目录下面```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```### 3.1 训练执行以下指令训练PP-YOLOE```python# 单卡训练!python tools/train.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --eval --amp# 多卡训练!python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 tools/train.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --eval --amp```**注意：**- 如果需要边训练边评估，请添加`--eval`.- PP-YOLOE支持混合精度训练，请添加`--amp`.### 3.2 推理部署#### 3.2.1 使用Paddle-TRT进行推理部署接下来，我们将介绍PP-YOLOE如何使用Paddle Inference在TensorRT FP16模式下部署首先，参考[Paddle Inference文档](https://www.paddlepaddle.org.cn/inference/master/user_guides/download_lib.html#python)，下载并安装与你的CUDA, CUDNN和TensorRT相应的wheel包。然后，运行以下命令导出模型```python!python tools/export_model.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams trt=True```最后，使用TensorRT FP16进行推理```python# 推理单张图片!wget -P demo_input -N https://paddledet.bj.bcebos.com/modelcenter/images/General/000000014439.jpg!CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/ppyoloe_crn_l_300e_coco --image_file=demo_input/000000014439.jpg --device=gpu --run_mode=trt_fp16 --output_dir=demo_output```**注意：**- TensorRT会根据网络的定义，执行针对当前硬件平台的优化，生成推理引擎并序列化为文件。该推理引擎只适用于当前软硬件平台。如果你的软硬件平台没有发生变化，你可以设置[enable_tensorrt_engine](https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.5/deploy/python/infer.py#L857)的参数`use_static=True`，这样生成的序列化文件将会保存在`output_inference`文件夹下，下次执行TensorRT时将加载保存的序列化文件。- PaddleDetection release/2.4及其之后的版本将支持NMS调用TensorRT，需要依赖PaddlePaddle release/2.3及其之后的版本。#### 3.2.2 使用PaddleInference进行推理部署对于一些不支持TensorRT的AI加速硬件，我们可以直接使用PaddleInference进行部署。首先运行以下命令导出模型```python!python tools/export_model.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams```直接使用PaddleInference进行推理```python# 推理单张图片!CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/ppyoloe_crn_l_300e_coco --image_file=demo_input/000000014439.jpg --device=gpu --run_mode=paddle --output_dir=demo_output```## 4. 模型原理PP-YOLOE的整体结构图如下所示：<div align="center"> <img src="https://paddledet.bj.bcebos.com/modelcenter/images/PP-YOLOE-Arch.png" width=70% /></div>PP-YOLOE由以下方法组成:- 可扩展的backbone和neck- [Task Alignment Learning](https://arxiv.org/abs/2108.07755)- Efficient Task-aligned head with [DFL](https://arxiv.org/abs/2006.04388)和[VFL](https://arxiv.org/abs/2008.13367)- [SiLU(Swish)激活函数](https://arxiv.org/abs/1710.05941)更多细节可以参考我们的技术报告：https://arxiv.org/abs/2203.16250## 5. 注意事项**所有的命令默认运行在AI Studio的`jupyter`上, 如果运行在终端上，去掉命令开头的符号%或!**## 6. 相关论文及引用信息```@article{xu2022pp, title={PP-YOLOE: An evolved version of YOLO}, author={Xu, Shangliang and Wang, Xinxin and Lv, Wenyu and Chang, Qinyao and Cui, Cheng and Deng, Kaipeng and Wang, Guanzhong and Dang, Qingqing and Wei, Shengyu and Du, Yuning and others}, journal={arXiv preprint arXiv:2203.16250}, year={2022}}```