利用PaddleDetection部署自己的轻量级移动检测嵌入式平台（多种高性能网络模型）--Pytorch实现

目录

文章核心：

1.效果图及视频展示

2.背景

3.安装PaddlePaddle

4.预训练模型的下载

比如yolov3在coco和voc数据集上的预训练模型和权重列表如下：

5.模型导出（python端）

6.模型预测

1.图片预测

2.视频预测，帧率在10左右

3.文件夹下图片预测

当然也可以自己进行训练，相应的指令为：

安装过程中遇到的其他问题：

---

全部源码均在PaddleDetection的官方Github上，地址如下：（本文用的版本是最新2.3的版本）

PaddlePaddle/PaddleDetection: Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection. (github.com)

文章核心：

        本片文章主要是通过利用PaddleDetection（飞桨）提供的框架，使用yolov3_darknet53、cascade_rcnn_dcn等经典网络达到对常规目标检测任务的轻量化实现，应用方面主要通过python端的部署（当然也可以通过c++的部署，官方地址里边有代码），并后续实现将模型部署到轻量化移动边缘设备中，从而实现轻量化嵌入式平台的深度学习任务，达到对深度物联网目标的追求！

1.效果图及视频展示

①图片展示

②视频展示

# 利用PaddleDetection部署自己的轻量级移动检测嵌入式平台（多种高性能网络模型）--Pytorch实现

2.背景

        PaddleDetection 是百度飞桨推出的物体检测统一框架。支持现有的RCNN、SSD、YOLO等系列模型、支持 ResNet、ResNet-VD、ResNeXt、ResNeXt-VD、SENet、MobileNet、DarkNet等主干网络。针对不同的业务场景（性能、目标大小、准确率等）可以选择框架中的不同模块组合得到最适合的模型，实现任务。相比于tensorflow的Object_Detection,优势之一就是将YOLOv3这一目标检测的快速算法融合到了框架下。

地址：飞桨PaddlePaddle-源于产业实践的开源深度学习平台

3.安装PaddlePaddle

pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

或者通过Github地址：

PaddlePaddle/PaddleDetection: Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection. (github.com)

4.预训练模型的下载

PaddleDetection提供的非常丰富的预训练库，各种经典检测、分割、识别、追踪等任务的优秀框架模型供我们选择：

​

比如yolov3在coco和voc数据集上的预训练模型和权重列表如下：

YOLOv3 on COCO：

骨架网络	输入尺寸	每张GPU图片个数	学习率策略	推理时间(fps)	Box AP	下载	配置文件
DarkNet53(paper)	608	8	270e	----	33.0	-	-
DarkNet53(paper)	416	8	270e	----	31.0	-	-
DarkNet53(paper)	320	8	270e	----	28.2	-	-
DarkNet53	608	8	270e	----	39.0	下载链接	配置文件
DarkNet53	416	8	270e	----	37.5	下载链接	配置文件
DarkNet53	320	8	270e	----	34.6	下载链接