2021SC@SDUSC
PaddleDetection是飞桨推出的端到端目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。PaddleDetection以模块化的设计实现了多种主流目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。目前基于PaddleDetection已经完成落地的项目涉及工业质检、遥感图像检测、无人巡检等多个领域。
PaddleDetection安装： 创建python环境输入命令：
conda create -n paddle python=3.6
激活环境：
activate paddle
安装gpu框架
1、首先看自己的CUDA、Cudnn的版本是多少，我的CUDA版本是9.0，Cudnn是7.4
如果是CUDA=10.0 则下方语句中改成 .post107
2、如果不使用镜像的话下载速度会比较慢，加上镜像加快速度
3、现在大多数paddledetection的api都在1.6以上，所以这里下载gpu1.8版本的， .post97分别对应的CUDA、Cudnn的版本号码
输入命令：
python -m pip install paddlepaddle-gpu==1.8.1.post97 -i https://mirror.baidu.com/pypi/simple
测试环境：
进入python环境分别输入以下语句：
import paddle.fluid as fluid fluid.install_check.run_check()
输出：
安装gpu框架完成
安装coco-api：
输入命令：
pip install Cython # 我下载时遇到了这个问题，需要更新pip，更新后重新下载 python -m pip install --upgrade pip
下载api：
pip install git+https://github.com/philferriere/cocoapi.git
最终完成后：
下载PaddleDetection
输入命令：（路径下）
pip install -r requirements.txt
也可以直接在github上下载：GitHub - PaddlePaddle/PaddleDetection: Object detection and instance segmentation toolkit based on PaddlePaddle.
安装Python依赖库：
pip install -r requirements.txt
测试是否安装成功：
python ppdet/modeling/tests/test_architectures.py小组分工：
我主要负责基础框架代码分析和Anchor Free系列模型
Anchor Free系列模型简介：目前主流的检测算法大体分为两类： single-stage和two-stage，其中single-stage的经典算法包括SSD, YOLO等，two-stage方法有RCNN系列模型，两大类算法在PaddleDetection Model Zoo中均有给出，它们的共同特点是先定义一系列密集的，大小不等的anchor区域，再基于这些先验区域进行分类和回归，这种方式极大的受限于anchor自身的设计。随着CornerNet的提出，涌现了多种anchor free方法，PaddleDetection也集成了一系列anchor free算法。
算法细节 CornerNet-Squeeze简介: CornerNet-Squeeze 在Cornernet基础上进行改进，预测目标框的左上角和右下角的位置，同时参考SqueezeNet和MobileNet的特点，优化了CornerNet骨干网络Hourglass-104，大幅提升了模型预测速度，相较于原版YOLO-v3，在训练精度和推理速度上都具备一定优势。
FCOS简介: FCOS是一种密集预测的anchor-free检测算法，使用RetinaNet的骨架，直接在feature map上回归目标物体的长宽，并预测物体的类别以及centerness（feature map上像素点离物体中心的偏移程度），centerness最终会作为权重来调整物体得分。
TTFNet简介： TTFNet是一种用于实时目标检测且对训练时间友好的网络，对CenterNet收敛速度慢的问题进行改进，提出了利用高斯核生成训练样本的新方法，有效的消除了anchor-free head中存在的模糊性。同时简单轻量化的网络结构也易于进行任务扩展。
本文部分引用：https://blog.csdn.net/qq_43656233/article/details/106248013
