说到目标检测，目前自动驾驶、新零售、智慧工业等热门行业的关键技术之一目标检测不仅涉及行人、车辆、商品以及火灾检测等任务，还涉及目标跟踪、姿态识别、手势控制、图像搜索等
注* :以上视频已引用到公共数据集[1]
图1 paddle检测产业应用效果范例
在当前端到端智能、云协作行业的发展趋势中，在移动端部署算法显得尤为重要。 与统一的中心化处理相比，智能终端可以更好的适应差异化的环境，运维成本也更低但是，开发高质量的轻量目标检测模型并不容易，在现实环境中存在很多课题。
速度要快。如工业视觉质量检测、自动驾驶等实时场景，延时允许的范围必须在毫秒级，要求非常严格。
精度要高。自动驾驶、火灾检测等场景中，一点点的错误可能会造成重大损失，对误检测、漏检的容忍度非常低。
体积要小。引入手机端、车载、IOT等边缘端，计算能力和内存有限，算法需要压缩到极限。
部署环境复杂多样。硬件设备功耗，规格各不相同。 适合和引进的成本不是很大！
今天介绍的最新开源轻靶检测PP-PicoDet正是为了解决这一痛点，对模型速度、精度和部署友好性进行了优化，取得了显著成果。
该系列中PP-PicoDet-S参数的量只有0.99M，但有30.6%mAP的精度，输入大小为320时，为http://www.Sina
另一方面，PP-PicoDet-L为推理速度甚至可达150FPS参数量时，mAP比YOLOX-Nano高4.8%为端侧，3http://www.Sina .
注* :上述图片引用于报告[2]
图2PP-微网性能比较图
注*:GIF中的FPS是端到端时间，包括预处理、预测和后处理，上述视频被引用到公共数据集[1]中
图3PP-微网移动端不同模型效果的比较
不仅如此。 在此次变桨目标检测开发工具包PaddleDetectionv2.3中推出的55%和相比NanoDet，mAP也高出了7.1%。中，为仅有3.3M。 即使在最近受到业界广泛关注的mAP中，PP-PicoDet也作为主体检测模块使用，以超轻的体积实现了超过服务端大型机型的效果。
不用说，它直接在开源代码中实现：
3359 github.com/paddle paddle/paddle detection
40.9%的各位，强烈建议深入研究使用。
PP-PicoDet技术报告地址：
https://arxiv.org/abs/2111.00902
PP-PicoDet Android APP下载体验指南：
3359 paddled et.bj.BCE Bos.com/deploy/third _ engine/PP-pico det.apk
(如果链接无法正常访问，则可以将其复制到浏览器进行下载。)
那么，PP-PicoDet 比YOLOv5s高3.7%，
44%。
高性能的主干网对提高目标检测模型的性能起着重要的作用，通过多目标实时跟踪系统PP-Tracking，不仅目标检测模型整体计算量更小、延迟更低、精度更高，而且更具鲁棒性、可靠性
ESNet是ShuffleNetV2的基础
上引入了SE模块和GhostNet中的Ghost模块，并新增深度可分离卷积，对不同通道信息进行融合来提升模型精度，同时还使用神经网络搜索(NAS)搜索更高效的模型结构，进一步提升模型性能，最终得到了在精度、速度全方面提升的骨干网络。注*：以上图片和数据引用于报告[2]
图4 ESNet & ShuffleNetV2性能对比
更轻量的Neck和Head
在Neck部分，PP-PicoDet提出了CSP-PAN结构，使用1*1的卷积将特征的通道数与BackBone输出的最小通道数进行统一，从而减少计算量，并保证特征融合性能不受影响。此外，PP-PicoDet还在CSP-PAN的基础上再下采样一次，添加一个更小的特征尺度来提升大物体的检测效果(见下图P6分支)。
与此同时，PP-PicoDet在Neck和Head部分均采用深度可分离卷积，将3 x 3卷积核增大至5×5，来增大感受野，还保持了速度不变。并且PP-PicoDet采用了通道数和Neck一致的“耦合头”，相比于小通道数的“解耦头”有更快的预测速度。
注*：以上图片和数据引用于报告[2]
图5 PP-PicoDet整体架构示意图
更精准的采样策略
PP-PicoDet受到YOLOX等优秀算法的启发，使用了更精准的SimOTA采样策略，随训练过程动态变换标签分配方式，通过在目标区域采集高质量的样本来有效加速模型收敛。在此基础上对其中的cost矩阵计算进行改造，使用VFL+GIoU替代原本的CELoss+IoU，在速度无损的情况下还能有效提升1%的精度。
除此之外，PP-PicoDet还使用了H-Swish激活函数替代Relu；使用Cosine学习率衰减策略；使用Cycle-EMA；加入少量的如Crop、Flip、Multi-Scale等数据增强策略进行更稳定的训练，使得模型精度再次提升3%。
下面就让我们一起看看以上这一系列优化策略的最终效果，从中可以看到：无论是精度还是速度，PP-PicoDet都表现卓越！
注*：测试设备为骁龙865，Threads=4，FP16，NCNN（Paddle Lite测试结果为*），以上图片和数据引用于报告[2]
图6 PP-PicoDet在COCO上和其他轻量级检测器性能试验对比
更完备的部署支持
作为真正的产业级开发利器，PaddleDetection通过完备支持飞桨原生推理库Paddle Inference、飞桨轻量化推理引擎Paddle Lite，使开发者可以快速在主流服务器、端侧芯片上实现高性能部署。
并且支持快速导出为ONNX格式，使开发者可以通过ONNX生态能力进行更广泛的算法部署应用，可以通过自己熟悉的移动端引擎进行PP-PicoDet的部署和推理。
除此以外，还提供OpenVINO加速部署方案、Android Demo，并且所有流程代码均已开源，全方位满足各类硬件环境部署需求，让深度学习落地的最后一公里再无障碍！
这样的一个目标检测开发神器已经被多家像国家电网、武汉铁路局、宁德时代这样的行业巨头公司所应用，真正实现了助力开发者，赋能产业智能化！
链接指路：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.3/configs/picodet
后续工作
PP-PicoDet的诞生源于开源，也是回馈开源。考虑到工业、互联网、自动驾驶等各行各业对移动端、边缘端部署轻量化目标检测模型的需求越来越强烈，PP-PicoDet致力于提供一种真正面向产业实践的，更高性能、轻量化、更易落地的目标检测方案，而非单纯追求模型指标。
与此同时，希望PP-PicoDet的算法本身以及优化思路，可以在给业界开发者带来更好算法的同时，也带来更多的算法优化启发，能够在此基础上继续提升产出更多优秀成果，也欢迎大家通过用户群、Issue等方式和我们探讨交流。在此希望和业界开发者携手为中国的开源技术而努力！
以上所有代码实现，均在PaddleDetection飞桨目标检测开发套件中开源提供：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.3
欢迎感兴趣的小伙伴一起体验、反馈建议并参与共建！你的Star是对我们工作的最大鼓励~
课程预告
百度飞桨为了帮助大家能快速、深入、全面地了解目标检测技术，将于11月23-26日19:00-20:00特地开设“目标检测4日直播课”。由资深研发工程师倾囊相授多年“炼丹”经验，配套真实工业落地场景案例，最先进的调优方式、训练技巧、优化技巧和工业部署方案，带您一网打尽，千万不要错过！
微信扫码报名课程，即可加入官方技术交流群，在这里您可以获得更高效的问题答疑，与各行各业开发者充分交流，期待您的加入！更多飞桨的相关内容，请参阅以下内容。
扫码报名直播课，加入技术交流群
精彩内容抢先看
官网地址：
https://www.paddlepaddle.org.cn
飞桨PaddleDetection项目地址：
GitHub: https://github.com/PaddlePaddle/PaddleDetection
Gitee: https://gitee.com/paddlepaddle/PaddleDetection
（如果您觉得PP-PicoDet对您带来了一些启发或者的确实用的话，也欢迎您可以给PaddleDetection项目点亮Star。）
飞桨开源框架项目地址：
GitHub: https://github.com/PaddlePaddle/Paddle
Gitee: https://gitee.com/paddlepaddle/Paddle
图片数据引用说明：
[1] 所用到的所有数据分别来源于以下数据集：
《表计读数》数据来源于：中兴克拉数据集
《安全帽检测》数据来源于：https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset
《自动驾驶》数据集来源于：Yu F, Chen H, Wang X, et al. Bdd100k: A diverse driving dataset for heterogeneous multitask learning[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 2636-2645.
《人员摔倒检测》数据来源于：泰思通数据集
《火灾/烟雾检测》数据来源于：https://github.com/gengyanlei/fire-smoke-detect-yolov4
《PCB瑕疵检测》数据来源于：北京大学印刷电路板（PCB）瑕疵数据集
《多人舞蹈关键点检测》数据集来源于YouTube. (2016, August 10). 100 People of Dance [Video file]. Retrieved from https://www.youtube.com/watch?v=qrTi2aLx8dw
《行人检测与跟踪》数据来源于公开数据集：Milan A, Leal-Taixé L, Reid I, et al. MOT16: A benchmark for multi-object tracking[J]. arXiv preprint arXiv:1603.00831, 2016.
《飞行器跟踪》、《战斗机跟踪》数据集来源于：Bai H, Cheng W, Chu P, et al. GMOT-40: A Benchmark for Generic Multiple Object Tracking[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 6719-6728.
《车辆跟踪》数据集来源于Zhu P, Wen L, Du D, et al. Vision meets drones: Past, present and future[J]. arXiv preprint arXiv:2001.06303, 2020.
《人头跟踪》数据来源于：Sundararaman R, De Almeida Braga C, Marchand E, et al. Tracking Pedestrian Heads in Dense Crowd[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 3865-3875.
[2] 图片及数据来自PP-PicoDet技术报告：https://arxiv.org/abs/2111.00902