人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载PP-YOLOE 是百度飞桨团队于 2022 年 3 月发布的单阶段无锚框anchor-free目标检测模型在 PaddleSeg 的工业质检全流程解决方案 QualityInspector 中其完整配置体系被收纳于检测算法配置目录之下作为检测 RoI 分割串联方案中的检测环节备选模型。本文以 contrib/QualityInspector/configs/det/ppyoloe/README_legacy.md 为骨架完整还原 PP-YOLOE2022.03 版本Legacy 模型库的精度/速度指标、综合评测指标与消融实验数据并结合仓库内真实配置文件逐项剖析 s/m/l/x 系列模型的网络结构、优化器、数据增强与标签分配策略帮助你理解如何在这些配置基础上复现、评估并调优 PP-YOLOE 检测模型。一、文档定位QualityInspector 中的 PP-YOLOE 检测配置QualityInspector 是 PaddleSeg 仓库下的工业质检全流程解决方案其 README 明确说明它支持检测、分割单模型、检测 RoI 分割串联结合后处理的解决方案简单修改配置即可轻松组合视觉套件的模型。检测算法所需的 PP-YOLOE 系列配置被放置在 contrib/QualityInspector/configs/det/ppyoloe/ 目录下其中README_legacy.md 记录的是PP-YOLOE 2022.03 版本Legacy的模型库、综合指标与消融实验README.md 记录的是 2022.08 发布的PP-YOLOE新增 obj365 大规模预训练、backbone block 分支 alpha 参数、端到端推理与收敛速度优化以及训练/评估/推理/导出/部署的完整操作指南。两者同处一个目录Legacy 文档明确标注 PP-YOLOE Legacy Model Zoo (2022.03)与 PP-YOLOE 形成版本对照。在 QualityInspector 的全流程方案中这些 PP-YOLOE 配置与检测模型一样通过tools/det/train.py -c configs/det/ppyoloe/xxx.yml的方式驱动训练详见 contrib/QualityInspector/docs/det_seg/train_eval.md。二、Legacy Model Zoos/m/l/x 全系模型指标一览原文档的模型库表格覆盖 PP-YOLOE 的 s、m、l、x 四个尺度版本横跨 300 epoch 与 400 epoch 两种训练时长统一在 COCO 数据集上训练与评测。以下为完整数据表格中 config 列已转换为仓库根目录相对路径ModelEpochGPU numberimages/GPUbackboneinput shapeBox APval 0.5:0.95Box APtest 0.5:0.95Params(M)FLOPs(G)V100 FP32(FPS)V100 TensorRT FP16(FPS)configPP-YOLOE-s400832cspresnet-s64043.443.67.9317.36208.3333.3ppyoloe_crn_s_400e_coco.ymlPP-YOLOE-s300832cspresnet-s64043.043.27.9317.36208.3333.3ppyoloe_crn_s_300e_coco.ymlPP-YOLOE-m300828cspresnet-m64049.049.123.4349.91123.4208.3ppyoloe_crn_m_300e_coco.ymlPP-YOLOE-l300820cspresnet-l64051.451.652.20110.0778.1149.2ppyoloe_crn_l_300e_coco.ymlPP-YOLOE-x300816cspresnet-x64052.352.498.42206.5945.095.2ppyoloe_crn_x_300e_coco.yml权重下载上述模型对应预训练权重由 PaddleDetection 官方发布如ppyoloe_crn_s_400e_coco.pdparams、ppyoloe_crn_m_300e_coco.pdparams等均为原文档提供的官方 BOS 直链。下载后即可配合对应 config 进行评估与推理。从表中可以读出三个关键规律精度随尺度单调上升从 s 的 43.0/43.4300e/400e到 x 的 52.3每提升一个尺度Box APval 0.5:0.95约提升 2~3 个点代价是参数量与 FLOPs 成倍增长s 仅 7.93M / 17.36Gx 达 98.42M / 206.59G。同一模型 400 epoch 优于 300 epochPP-YOLOE-s 在 400 epoch 时 AP 为 43.4比 300 epoch 高 0.4说明更长的训练周期对轻量模型仍有收益。TensorRT FP16 大幅提速以 l 为例V100 上从 FP32 的 78.1 FPS 提升到 FP16 的 149.2 FPS接近翻倍s 型号在 FP16 下可达 333.3 FPS非常适合对时延敏感的工业质检在线检测场景。配置中的尺度控制depth_mult 与 width_mult对照仓库中 s/m/l/x 四个具体配置文件可以确认尺度的实现方式是 backbone 的深度倍率与宽度倍率模型配置depth_multwidth_mult预训练权重ppyoloe_crn_s_300e_coco.yml0.330.50CSPResNetb_s_pretrainedppyoloe_crn_m_300e_coco.yml0.670.75CSPResNetb_m_pretrainedppyoloe_crn_l_300e_coco.yml1.01.0CSPResNetb_l_pretrainedppyoloe_crn_x_300e_coco.yml1.331.25CSPResNetb_x_pretrained例如 ppyoloe_crn_s_300e_coco.yml 中_BASE_: [ ../datasets/coco_detection.yml, ../runtime.yml, ./_base_/optimizer_300e.yml, ./_base_/ppyoloe_crn.yml, ./_base_/ppyoloe_reader.yml, ] log_iter: 100 snapshot_epoch: 10 weights: output/ppyoloe_crn_s_300e_coco/model_final pretrain_weights: https://paddledet.bj.bcebos.com/models/pretrained/CSPResNetb_s_pretrained.pdparams depth_mult: 0.33 width_mult: 0.50所有四个配置文件都通过_BASE_继承同一套网络结构./_base_/ppyoloe_crn.yml、优化器./_base_/optimizer_300e.yml与数据读取./_base_/ppyoloe_reader.yml仅通过depth_mult/width_mult与pretrain_weights区分尺度。这意味着想要在自定义工业质检数据集上复现不同尺度的 PP-YOLOE只需要复制对应 yml 并替换数据集与类别配置网络与训练超参无需改动。此外ppyoloe_crn_s_400e_coco.yml 在继承 300e 配置的基础上额外覆盖了两处优化器换用./_base_/optimizer_400e.yml400 epoch 版本并将PPYOLOEHead.static_assigner_epoch从默认值调整为 133用于配合更长训练周期的静态/动态标签分配切换策略详见本文第五节。三、Comprehensive Metrics细粒度精度与召回原文档第二部分给出了同一批权重在 COCO val2017 上的细粒度评测覆盖 AP0.5、AP0.75、不同目标尺度的 AP 与 AR对工业质检中常见的小目标缺陷检测有直接参考价值完整数据如下ModelEpochAP0.5:0.95AP0.5AP0.75APsmallAPmediumAPlargeARsmallARmediumARlargePP-YOLOE-s40043.460.047.525.747.859.243.970.881.9PP-YOLOE-s30043.059.647.226.047.458.745.170.681.4PP-YOLOE-m30049.065.953.830.953.565.350.974.484.7PP-YOLOE-l30051.468.656.234.856.168.053.176.885.6PP-YOLOE-x30052.369.556.835.157.068.655.576.985.7原文档对这张表特别给出两点说明权重一致性本表所用的模型权重与上一节 Model Zoo 完全相同评测数据集为 COCOval2017而非 test-dev2017因此两张表的 AP0.5:0.95数值一一对应。训练数据所有 PP-YOLOE 模型均使用 COCOtrain2017训练分别在 val2017 与 test-dev2017 上评测。这张表的实用价值在于小目标smallAP 普遍比中/大目标低 20 个点左右如 s 模型小目标 AP 仅 25.7而工业质检中的划痕、凹坑、焊点缺陷往往就是小目标。如果你的质检数据集以小目标为主应优先考虑 m 及以上尺度或结合 QualityInspector 的多尺度增强见第四节与后处理调优手段。四、训练与推理的关键前提Notes 逐条解读原文档 Notes 部分给出了四条必须遵守的训练/复现前提结合仓库配置可以进一步落实到具体参数1. 学习率随 batch 规模线性缩放若改变 GPU 数量或单卡 mini-batch size学习率应按公式调整lrnew lrdefault× (batch_sizenew× GPU_numbernew) / (batch_sizedefault× GPU_numberdefault)在 optimizer_300e.yml 中base_lr为 0.01而 ppyoloe_reader.yml 中训练batch_size: 8配合 8 卡Model Zoo 表中的 GPU number 8即默认总 batch 64。因此若在单卡8 卡 → 1 卡场景训练lr 应缩放为 0.01 × 64 / 512 ≈ 0.00125若改用单卡 batch 16则总 batch 16lr ≈ 0.01 × 16 / 64 0.0025。此外该优化器配置还包含epoch: 300 LearningRate: base_lr: 0.01 schedulers: - name: CosineDecay max_epochs: 360 - name: LinearWarmup start_factor: 0. epochs: 5 OptimizerBuilder: optimizer: momentum: 0.9 type: Momentum regularizer: factor: 0.0005 type: L2即 5 个 epoch 的线性 warmup起始因子 0 余弦退火衰减max_epochs 放宽到 360为 300 epoch 训练留出衰减尾段 Momentummomentum0.9 L2 权重衰减factor0.0005。需要说明的是该文件中的epoch: 300与文件名optimizer_300e.yml对应而 400 epoch 版本则切换为 optimizer_400e.yml。2. 推理速度测试环境Model Zoo 表中的 FPS 指标是在单张 Tesla V100、batch size 1的环境下测得TensorRT 模式使用CUDA 10.2 CUDNN 7.6.5 TensorRT 6.0.1.8。这意味着表中 FP32/FP16 FPS 是纯推理速度不包含数据读取与后处理 NMS 时间与 YOLOv4-AlexeyAB 的测试口径一致在你自己的 GPU 与 TensorRT 版本上绝对 FPS 会因硬件与软件栈不同而变化但相对排序与 FP16 加速比具有参考意义若需复现端到端速度含预处理 推理 后处理 NMSQualityInspector 对应的 PaddleDetection 侧流程要求导出模型时追加exclude_nmsTrue并以--run_benchmarkTrue运行推理脚本该流程完整命令见同目录 README.md 的 Speed testing 章节。3. 数据与评测口径训练集COCO train2017评测集val2017精度表与 test-dev2017速度/精度对照表COCO 格式数据集与评测指标的细节可参考 COCO 官方文档并需预先安装 cocoapi。五、配置体系源码深读从网络结构到标签分配Legacy 文档没有展开网络细节但仓库中的_base_/ppyoloe_crn.yml完整呈现了 PP-YOLOE 的组件构成这正是消融实验见第六节的落点所在architecture: YOLOv3 norm_type: sync_bn use_ema: true ema_decay: 0.9998 ema_black_list: [proj_conv.weight] custom_black_list: [reduce_mean] YOLOv3: backbone: CSPResNet neck: CustomCSPPAN yolo_head: PPYOLOEHead post_process: ~ CSPResNet: layers: [3, 6, 6, 3] channels: [64, 128, 256, 512, 1024] return_idx: [1, 2, 3] use_large_stem: True CustomCSPPAN: out_channels: [768, 384, 192] stage_num: 1 block_num: 3 act: swish spp: true PPYOLOEHead: fpn_strides: [32, 16, 8] grid_cell_scale: 5.0 grid_cell_offset: 0.5 static_assigner_epoch: 100 use_varifocal_loss: True loss_weight: {class: 1.0, iou: 2.5, dfl: 0.5} static_assigner: name: ATSSAssigner topk: 9 assigner: name: TaskAlignedAssigner topk: 13 alpha: 1.0 beta: 6.0 nms: name: MultiClassNMS nms_top_k: 1000 keep_top_k: 300 score_threshold: 0.01 nms_threshold: 0.7结合原文档消融实验与 PP-YOLOE 的公开技术报告这段配置对应了五个核心设计Anchor-free 解耦PP-YOLOE 在 PP-YOLOv2 基础上移除锚框消融 B 步PPYOLOEHead直接基于fpn_strides: [32, 16, 8]的网格预测grid_cell_scale: 5.0与grid_cell_offset: 0.5控制中心先验的尺度与偏移CSPRepResNet 骨干CSPResNet采用layers: [3, 6, 6, 3]、channels五级通道64→1024、use_large_stem: True配合CustomCSPPAN的 SPP 模块spp: true与 swish 激活是消融 C 步替换骨干带来参数量/算力大幅下降的直接来源Task Alignment LearningTALassigner使用TaskAlignedAssignertopk13、alpha1.0、beta6.0即消融 D 步训练前 100 个 epochstatic_assigner_epoch: 100先使用ATSSAssignertopk9静态分配之后再切换为 TAL 动态分配ppyoloe_crn_s_400e_coco.yml 将该值调为 133 以适配 400 epoch 训练Efficient Task-aligned HeadET-Head即消融 E 步配合use_varifocal_loss: TrueVFL与loss_weight: {class: 1.0, iou: 2.5, dfl: 0.5}DFL 分布聚焦损失实现分类与定位的联合对齐训练稳定化use_ema: true且ema_decay: 0.9998并将proj_conv.weight加入ema_black_list排除 EMAcustom_black_list: [reduce_mean]控制量化/图优化场景下的算子行为。数据侧ppyoloe_reader.yml 给出了完整的训练/评估/测试数据流训练增强Decode → RandomDistort颜色扰动→ RandomExpandfill_value 使用 ImageNet 均值 [123.675, 116.28, 103.53]→ RandomCrop → RandomFlipbatch 级再执行BatchRandomResize目标尺寸在 [320, 352, ..., 768] 共 15 档中随机选择random_size: True、random_interp: True随后 NormalizeImagemean/std 为 ImageNet 统计值与 Permute评估Resize 到固定 640×640eval_sizebatch_size 2测试输入定义为image_shape: [3, 640, 640]batch_size 1与 Model Zoo 表中 input shape 640 一致。这套多尺度随机训练 固定尺度评估的策略正是 PP-YOLOE 在保持较高 AP 的同时兼顾部署固定输入尺寸的工程化体现。六、附录PP-YOLOE 消融实验全解读原文档附录给出了 PP-YOLOE以 l 尺度为基准从 PP-YOLOv2 基线逐步叠加各组件的消融数据是理解模型精度-速度-规模取舍的最直接证据NO.ModelBox APvalParams(M)FLOPs(G)V100 FP32 FPSAPP-YOLOv249.154.58115.7768.9BA Anchor-free48.854.27114.7869.8CB CSPRepResNet49.547.42101.8785.5DC TAL50.448.32104.7584.0ED ET-Head50.952.20110.0778.1对消融过程的解读与上文_base_/ppyoloe_crn.yml配置一一对应A → BAnchor-free移除锚框后 AP 短暂下降 0.349.1 → 48.8参数量与算力几乎不变54.58 → 54.27M、115.77 → 114.78G证明 anchor-free 本身不损失精度、且为后续结构简化铺路B → CCSPRepResNet 骨干这是收益最大的一步——AP 回升到 49.50.7同时参数量从 54.27M 骤降到 47.42M-12.6%、FLOPs 从 114.78G 降到 101.87G-11.2%FP32 FPS 从 69.8 大幅提升到 85.522.5%体现更轻的骨干 SPP 多尺度的组合优势C → DTAL 标签分配AP 提升 0.949.5 → 50.4参数量/算力小幅上升速度轻微下降85.5 → 84.0 FPS说明动态标签分配带来的是纯精度收益D → EET-Head VFL DFLAP 再提升 0.550.4 → 50.9参数与算力升至 52.20M / 110.07G速度降至 78.1 FPS——这正好对应 Model Zoo 表中 PP-YOLOE-l 的最终指标52.20M / 110.07G / 78.1 FPS验证了表格数据的来源一致性。最终 PP-YOLOE-l 以 51.4 的 val AP 与 78.1 FPSFP32达成精度-速度平衡这也是它在工业质检既要检得准、又要跑得快诉求下被纳入 QualityInspector 检测算法库的原因。七、实操建议与小结围绕 Legacy 模型库结合 QualityInspector 的使用方式给出如下落地建议选型对实时性要求高的在线质检如流水线相机直连优先 PP-YOLOE-s/mFP16 下 208~333 FPS对离线复检或缺陷极小的场景选 PP-YOLOE-l/x 换取 51~52 AP 的上限自定义数据集复现复制 ppyoloe_crn_l_300e_coco.yml 等配置文件替换_BASE_中的数据集配置为质检数据集并按第四节公式修正学习率训练命令参照 contrib/QualityInspector/docs/det_seg/train_eval.md 中的tools/det/train.py -c configs/det/ppyoloe/xxx.yml支持--eval边训边评、--use_vdl可视化、多卡分布式启动评估口径精度对比请统一使用 COCO val2017 口径即 Comprehensive Metrics 表速度对比请说明 GPU、TensorRT 版本与是否含后处理避免跨口径直接比较与 PP-YOLOE 的关系Legacy 版是 2022.03 基线同目录 README.md 中的 PP-YOLOE80 epoch、obj365 预训练、tiny 系列精度更高l 达 52.9、训练更短新项目建议优先考虑 PP-YOLOELegacy 表则用于版本对照与消融研究。综上PP-YOLOE Legacy 模型库以五个配置 三张数据表完整刻画了该检测模型的精度、速度与结构演化路径是 QualityInspector 检测环节选型与调优的第一手依据。赞分享人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载相关推荐PaddleDetection PP-YOLOE Legacy2022.03模型库深度解析Model Zoo、综合指标与消融实验PaddleDetection PP YOLOE Legacy2022.03模型库深度解析Model Zoo、综合指标与消融实验 PP YOLOE 是 P人工智能深度学习计算机视觉5分钟告别百度网盘提取码烦恼智能获取工具全解析5分钟告别百度网盘提取码烦恼智能获取工具全解析 你是否曾经因为一个简单的提取码在浏览器标签页间反复切换浪费了宝贵的十几分钟当朋友分享了一个学习资料链接人工智能计算机视觉预训练PP-YOLOE Objects365 预训练模型库与配置文件详解 —— QualityInspector 工业质检目标检测方案PP YOLOE Objects365 预训练模型库与配置文件详解 —— QualityInspector 工业质检目标检测方案 本指南以 PaddleSeg人工智能计算机视觉预训练上一篇Maths, CS AI Compendium 梯度机器学习精讲从线性回归、反向传播到 AdamW、Muon 与无调度学习下一篇Kiran-Screensaver与GNOME/MATE桌面环境集成教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
