本项目是基于PaddleDetection实现的PP-YOLOE，PP-YOLOE是单阶段Anchor-free模型，其精度(COCO数据集mAP)和推理速度均优于YOLOv5模型，PP-YOLOE在COCO test-dev2017数据集上精度达到49.0%，在单卡V100上FP32推理速度为123.4FPS, V100上开启TensorRT下FP16推理速度为208.3FPS。其中还包含了X/L/M/S四种模型类型，适合部署在多种多样的硬件上，在手机上部署，推理速度也是极快的。
这个表是官方的测试表格。
| 模型类型 | Epoch | 输入尺寸 | Box APval 0.5:0.95 |
Box APtest 0.5:0.95 |
Params(M) | FLOPs(G) | V100 FP32(FPS) | V100 TensorRT FP16(FPS) |
|---|---|---|---|---|---|---|---|---|
| S | 80 | 640 | 43.7 | 43.9 | 7.93 | 17.36 | 208.3 | 333.3 |
| M | 80 | 640 | 49.8 | 50.0 | 23.43 | 49.91 | 123.4 | 208.3 |
| L | 80 | 640 | 52.9 | 53.3 | 52.20 | 110.07 | 78.1 | 149.2 |
| X | 80 | 640 | 54.7 | 54.9 | 98.42 | 206.59 | 45.0 | 95.2 |
- 首先安装的是PaddlePaddle的GPU版本，如果已经安装过了，请跳过。
conda install paddlepaddle-gpu==2.3.2 cudatoolkit=10.2 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/- 安装ppvector库。
使用pip安装，命令如下：
python -m pip install ppyoloe -U -i https://pypi.tuna.tsinghua.edu.cn/simple建议源码安装，源码安装能保证使用最新代码。
git clone https://github.com/yeyupiaoling/PP-YOLOE.git
cd PP-YOLOE/
python setup.py install通过以下方式可以快速使用本项目导出COCO训练的预测模型，使用该预测模型快速推理图片。
- 首先导出COCO的预测模型，执行
export_model.py时，当--resume_model参数为None时，会自动加载官方的COCO预训练模型，使用这个预训练模型导出预测模型。
python export_model.py --resume_model=None- 然后执行
infer.py指定图像路径执行推理。
python infer.py --image_path=dataset/test.jpg识别结果：
准备训练数据train.json和评估数据eval.json，本项目只支持使用COCO格式的数据集，如果你使用的是VOC格式数据集，可以使用项目自带的工具进行转换，使用方式如下。如果你的数据本身就是COCO格式的，可以直接忽略这个步骤
- 首先生成VOC数据列表和标签列表，执行下面命令就可以生成训练数据列表
train.txt和评估数据列表eval.txt，以及列表文件label_list.txt，它们都存放在dataset目录下。
python create_voc_list.py- 然后执行
voc2coco.py即可生成COCO格式的数据集，训练数据和评估数据分别对应train.json和eval.json，同样是存放在dataset目录下。
python voc2coco.py准备好数据之后就可以开始训练了，训练程序要注意以下几个重要参数，首先是模型类型model_type，一共有X/L/M/S四种模型类型，其次是分类大小num_classes，这两个参数需要根据自己的实际情况来设置，更多参数可以查看该程序文件或者执行python train.py -h查看。本项目支持多卡训练，具体看下面命令。
# 单卡训练
python train.py --model_type=M --num_classes=80
# 单机多卡训练
python -m paddle.distributed.launch --gpus '0,1' train.py --model_type=M --num_classes=80训练结束之后，如果需要查看模型的准确率，可以执行评估程序eval.py，需要指定模型类型，分类大小以及模型的文件夹路径。
python eval.py --model_type=M --num_classes=80 --resume_model=output/PPYOLOE_M/best_model训练完成之后，可以导出预测模型用于之后的部署，使用及其下面命令，即可完成导出进预测模型。需要指定模型类型，分类大小以及模型的文件夹路径。image_shape是指定输入图片的大小，如果对性能要求比较高的话，可以尝试设置更小的图片大小，例如3,416,416，或者3,320,320，默认是3,640,640。
python export_model.py --model_type=M --num_classes=80 --resume_model=output/PPYOLOE_M/best_model本项目提供三种预测方式，第一种是使用PaddlePaddle自身的Inference预测接口进行预测，第二种是使用ONNX预测接口执行预测，第三种是部署在Android设备上进行预测。
使用PaddlePaddle自身的Inference预测接口进行预测，这里提供了两种方式，第一种是使用图片的路径进行预测并显示结果，第二种是使用摄像头或者视频文件进行预测。
# 使用图片路径进行预测并显示
python infer.py --image_path=dataset/test.jpg --model_dir=output_inference/PPYOLOE_M
# 使用摄像头进行实时预测
python infer_camera.py --device_id=0 --model_dir=output_inference/PPYOLOE_M识别结果：
使用ONNX预测接口执行预测，使用这种方式的话需要额外安装onnxruntime库，并且需要找出对应的模型进行下面命令可以导出ONNX模型，需要根据实际情况修改模型的路径model_dir。
python to_onnx_model.py导出ONNX模型之后就可以使用onnxruntime来进行推理，命令如下，分别指定预测图片路径和ONNX模型路径。执行推理并显示结果
python infer_onnx.py --image_path=dataset/test.jpg --onnx_model=output_inference/model.onnx识别结果：
如果要部署在Android上面使用的话，需要导出Paddle Lite模型，通过上面命令可以导出Paddle Lite模型。需要根据自己的实际情况修改模型的路径，以及是否需要进行量化量化，量化可以减少1/2的模型大小，但预测速度上不会有太大变化，一般不会降低模型的准确率。导出的Paddle Lite模型会保存到output_inference/detect_model.nb，建议在导出模型export_model.py的时候，在指定image_shape最好是选择3,320,320，这样推理速度会快一些。
python to_lite_model.py**使用Android应用：**Android源码存放在本项目的根目录中的Android，可以直接用Android Studio打开使用，该演示应用有两个功能，第一是打开相机识别，第二是打开相册识别。如果要替换自己训练的模型，只需要操作这两个文件即可：
- 把
Android/ai/src/main/assets/detect_model.nb模型文件替换成你导出的detect_model.nb。 - 把
Android/ai/src/main/assets/label_list.txt标签列表文件替换成你的列表文件，这列表文件在dataset/label_list.txt。
打开相册识别的演示界面：
