登录

PaddleDetection

PaddlePaddleApache-2.0更新放缓

基于飞桨的目标检测工具库，覆盖检测、实例分割、多目标跟踪和实时多人关键点检测，提供从训练到部署的完整流程。

Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection.

v2.9.0发布于 2026-03-19 13:53 UTC14,466star +6 / 7 天3,018fork同步于 2026-11-10 11:26 UTC
目标检测实例分割多目标跟踪关键点检测飞桨
对比 GitHubblazefacedeepsortdetrface-detectionfairmot

怎么上手

由 README 提炼，执行前请确认
原文 
参考安装说明：docs/tutorials/INSTALL_cn.md
硬件要求按 README 说明

README 未说明具体显存要求；提到可无缝切换英伟达 GPU、昆仑芯、昇腾、寒武纪和海光等硬件

下载：源码 zip·GitHub Releases（安装包）本站不镜像安装包

项目说明

由 README 自动翻译提炼
没人工点评？写下你的经验

基于飞桨的目标检测端到端开发套件，覆盖训练到部署全流程

基于飞桨的目标检测工具库，覆盖检测、实例分割、多目标跟踪和实时多人关键点检测，提供从训练到部署的完整流程。

核心能力

  • 解耦检测模型为可组合的模块组件
  • 提供 PP-YOLOE、PP-PicoDet 等产业级模型
  • 支持目标检测、实例分割、多目标跟踪与关键点检测
  • 支持 Paddle Inference、Lite、Serving 及 ONNX 导出部署
  • 提供 PP-Human、PP-Vehicle 等集成分析工具

容易踩的坑

安装需按 docs/tutorials/INSTALL_cn.md 单独配置 PaddlePaddle 环境；部署前需先按 deploy/EXPORT_MODEL.md 导出模型；README 未给出可直接复制的最小安装命令

内容由模型根据 README 生成，可能不完整或不准确，以官方文档为准。看原文 README

最近发版

5 个版本v2.9.0
全部 release
  1. v2.9.0PaddleDetection v2.9.0最新正式版2026-03-19 · 2026-03-19 13:53 UTC

    🆕 新增模型

    • RT-DETRv3：新增 RT-DETRv3 目标检测模型，支持 checkpoint recompute 机制以降低训练显存占用，V100×4 精度达 47.5 mAP（#9376）
    • DEIM：新增 DEIM 系列模型，包含 DFINE-HGNetv2（N/S/M/L/X）和 RTDETRv2（R18/R34/R50/R50m/R101）共 11 个规模，所有模型精度与官方论文对齐（#9381）
    • PP-DocLayoutV3：新增文档版面分析模型，支持文档布局检测与阅读顺序预测（#9473）

    ✨ 新功能

    • FariMOT：新增评估功能支持（#9329）
    • 模型导出格式：推理模型默认保存为 JSON 格式（#9352）

    🖥️ 硬件平台适配

    • CUDA 13：适配 CUDA 13 新目录结构，修复编译时头文件搜索路径问题（#9432）
    • 天数智芯（Iluvatar）GPU：新增全链路支持，覆盖训练、评估、推理及 MOT 全流程（#9472）
    • 燧原 GCU：更新 GCU 平台相关配置（#9327）
    • 昇腾 NPU：修复 DETR 模型在 NPU 上的训练异常（#9338）

    🐛 Bug 修复

    • RTDETRv2 导出：修复 Windows + GPU 环境下导出模型时的非法维度报错（#9305）
    • 高性能推理（HPI）：修复 im_shape 处理错误及 batch size 配置问题（#9303、#9318、#9321）
    • 模型导出稳定性：修复多个模型导出时的序列化报错及浅拷贝问题（#9365、#9375、#9379）
    • Mask R-DETR：修复动图与静态图在 inplace 操作上的行为不一致问题（#9330）
    • 数据预处理：修复 RandomSizeCrop 对零尺寸标注框的数据类型处理错误（#9353）
    • Mosaic 增强：修复 centered_affine=False 下数据增强行为异常（#9394）
  2. v2.8.1PaddleDetectionv2.8.12025-02-14 · 2025-02-14 04:57 UTC
    查看更新说明

    📣最新进展

    • 🔥2025.1.12 新增关键点检测和旋转框目标检测领域一站式全流程开发能力:

      • 飞桨低代码开发工具PaddleX，依托于PaddleDetection的先进技术，支持了目标检测领域的一站式全流程开发能力：
        • 🎨 模型丰富一键调用：将通用目标检测、小目标检测、实例分割、关键点检测和旋转框目标检测涉及的67个模型整合为5条模型产线，通过极简的Python API一键调用，快速体验模型效果。此外，同一套API，也支持图像分类、图像分割、文本图像智能分析、通用OCR、时序预测等共计240+模型，形成30+单功能模块，方便开发者进行模型组合使用。
        • 🚀 提高效率降低门槛：提供基于统一命令和图形界面两种方式，实现模型简洁高效的使用、组合与定制。支持高性能部署、服务化部署和端侧部署等多种部署方式。此外，对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等，进行模型开发时，都可以无缝切换。
      • 新增目标检测模型Co-DETR
  3. v2.8.0PaddleDetectionv2.8.02024-11-08 · 2024-11-08 02:50 UTC
    查看更新说明

    📣最新进展

    • 🔥2024.10.1 添加目标检测、实例分割领域一站式全流程开发能力:

      • 飞桨低代码开发工具PaddleX，依托于PaddleDetection的先进技术，支持了目标检测领域的一站式全流程开发能力：

        • 🎨 模型丰富一键调用：将通用目标检测、小目标检测和实例分割涉及的55个模型整合为3条模型产线，通过极简的Python API一键调用，快速体验模型效果。此外，同一套API，也支持图像分类、图像分割、文本图像智能分析、通用OCR、时序预测等共计200+模型，形成20+单功能模块，方便开发者进行模型组合使用。
        • 🚀 提高效率降低门槛：提供基于统一命令和图形界面两种方式，实现模型简洁高效的使用、组合与定制。支持高性能部署、服务化部署和端侧部署等多种部署方式。此外，对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等，进行模型开发时，都可以无缝切换。

      • 添加实例分割SOTA模型Mask-RT-DETR

  4. v2.7.0PaddleDetectionv2.7.02023-10-19 · 2023-10-19 03:47 UTC
    查看更新说明

    New Projects:

    • Added SQR enhancement strategy based on PPDET Deformable DETR. (#8579)
    • Added RT-DETR model. (#8094)
    • Added semi-supervised detection based on RT-DETR. (#8336)

    New Features:

    • Provide Chinese support in draw_bbox. (#8581)
    • Support specifying the priority of step and epoch in LinearWarmup. (#8540)
    • Compatible with pillow upgrade to 10.0. (#8446)

    BugFix:

    • Fixed the problem of video memory usage and slowdown after Paddle supports stride. (#8489)
    • Fix import error and modify visualize.py. (#8476)
    • Fix v.dtype in ema blacklist. (#8466)
    • Fix image_resize_c error reporting problem during inference. (#8460)
    • Fixed textbbox error reporting problem in ImageDraw. (#8455)
    • Fixed picodet_layout error in Paddle2.5 and added nms_cpu parameter. (#8453)
    • Fixed long warning in training. (#8421)
    • Fix iou_score error reporting problem and modify ppdet/modeling/losses/detr_loss.py. (#8409)
    • Fixed the 0-dimensional problem in solov2. (#8643)
    • Fixed distributed parameters to solve the problem of error reporting when running multiple cards on non-GPU device TIPC. (#8635)
    • Fixed removal of fluid calls and modified deploy/pipeline/ppvehicle/vehicle_plateutils.py. (#8631)

    Documentations:

    • Updated the README_cn.md document and added the Flying Plate AI Kit description. (#8601)
    • Add and release RTDETR Obj365 pre-training model document and modify configs/rtdetr/README.md. (#8567)
    • Fixed typos in README_en.md document. (#8551)
    • Update xpu tipc script. (#8546)
    • Added data set alias COCODetDataset. (#8503)
    • Add obj365 pre-trained model parameters. (#8500)
    • Update npu python version in tipc config. (#8485)
    • Adapt and upgrade libmkldnn, modify deploy/cpp/CMakeLists.txt. (#8442)

    Projects：

    • 基于PPDET Deformable DETR 新增 SQR增强策略。（#8579）
    • 新增RTDeTR模型。（#8094）
    • 新增基于rt-detr的半监督检测。（#8336）

    New Features:

    • 在draw_bbox中提供中文支持。（#8581）
    • 支持在 LinearWarmup 中指定step和epoch的优先级。（#8540）
    • 兼容 pillow 升级至10.0。（#8446）

    BugFix:

    • 修复Paddle支持stride后，显存占用，运行降速问题。（#8489）
    • 修复import错误，修改visualize.py。（#8476）
    • 修复ema blacklist中v.dtype。（#8466）
    • 修复推理时image_resize_c报错问题。（#8460）
    • 修复ImageDraw中的textbbox报错问题。（#8455）
    • 修复Paddle2.5中picodet_layout报错，增加nms_cpu参数。（#8453）
    • 修复训练出现长警告。（#8421）
    • 修复iou_score报错问题，修改ppdet/modeling/losses/detr_loss.py。（#8409）
    • 修复solov2中0维问题。（#8643）
    • 修复分布式参数以解决非GPU设备TIPC时多卡运行报错的问题。（#8635）
    • 修复移除fluid调用，修改deploy/pipeline/ppvehicle/vehicle_plateutils.py。（#8631）

    Documentations:

    • 更新README_cn.md文档，加入飞浆AI套件说明。（#8601）
    • 添加发布RTDETR Obj365预训练模型文档，修改configs/rtdetr/README.md。（#8567）
    • 修正README_en.md文档拼写错误。（#8551）
    • 更新xpu tipc脚本。（#8546）
    • 增加数据集别名COCODetDataset。（#8503）
    • 添加obj365预训练模型参数。（#8500）
    • 更新tipc config中npu python版本。（#8485）
    • 适配升级libmkldnn，修改deploy/cpp/CMakeLists.txt。（#8442）

    New Contributors

  5. v2.6.0release/2.62023-02-23 · 2023-02-23 03:25 UTC
    查看更新说明

    2.6(02.15/2023)

    • 特色模型
      • 发布旋转框检测模型PP-YOLOE-R：Anchor-free旋转框检测SOTA模型，精度速度双高、云边一体，s/m/l/x四个模型适配不用算力硬件、部署友好，避免使用特殊算子，能够轻松使用TensorRT加速；
      • 发布小目标检测模型PP-YOLOE-SOD：基于切图的端到端检测方案、基于原图的检测模型，精度达VisDrone开源最优；
      • 发布密集检测模型：基于PP-YOLOE+的密集检测算法，SKU数据集检测精度60.3，达到开源最优
    • 前沿算法
      • YOLO家族新增前沿算法YOLOv8，更新YOLOv6-v3.0
      • 新增目标检测算法DINO，YOLOF
      • 新增ViTDet系列检测模型，PP-YOLOE+ViT_base, Mask RCNN + ViT_base, Mask RCNN + ViT_large
      • 新增多目标跟踪算法CenterTrack
      • 新增旋转框检测算法FCOSR
      • 新增实例分割算法QueryInst
      • 新增3D关键点检测算法Metro3d
      • 新增模型蒸馏算法FGD，LD，CWD，新增PP-YOLOE+模型蒸馏，精度提升1.1 mAP
      • 新增半监督检测算法 DenseTeacher，并适配PP-YOLOE+
      • 新增少样本迁移学习方案，包含Co-tuning，Contrastive learning两类算法
    • 场景能力
      • PP-Human v2开源边缘端实时检测模型，精度45.7，Jetson AGX速度80FPS
      • PP-Vehicle开源边缘端实时检测模型，精度53.5，Jetson AGX速度80FPS
      • PP-Human v2，PP-Vehicle支持多路视频流部署能力，实现Jetson AGX 4路视频流端到端20FPS实时部署
      • PP-Vehicle新增车辆压线检测和车辆逆行检测能力
    • 框架能力
      • 功能新增
        • 新增检测热力图可视化能力，适配FasterRCNN/MaskRCNN系列, PP-YOLOE系列, BlazeFace, SSD, RetinaNet
      • 功能完善/Bug修复
        • 支持python3.10版本
        • EMA支持过滤不更新参数
        • 简化PP-YOLOE architecture架构代码
        • AdamW适配paddle2.4.1版本

用户点评

登录用户的真实使用记录，可按版本和硬件筛选
共 0 条

    还没有人点评。第一个说出真实体验的人最有价值。

    README 原文

    未翻译
    在 GitHub 打开

    简体中文 | English

    💌目录

    🌈简介

    PaddleDetection是一个基于PaddlePaddle的目标检测端到端开发套件，在提供丰富的模型组件和测试基准的同时，注重端到端的产业落地应用，通过打造产业级特色模型|工具、建设产业应用范例等手段，帮助开发者实现数据准备、模型选型、模型训练、模型部署的全流程打通，快速进行落地应用。

    主要模型效果示例如下（点击标题可快速跳转）：

    通用目标检测小目标检测旋转框检测3D目标物检测
    人脸检测2D关键点检测多目标追踪实例分割
    车辆分析——车牌识别车辆分析——车流统计车辆分析——违章检测车辆分析——属性分析
    行人分析——闯入分析行人分析——行为分析行人分析——属性分析行人分析——人流统计

    同时，PaddleDetection提供了模型的在线体验功能，用户可以选择自己的数据进行在线推理。

    📣最新进展

    • 🔥2024.10.1 添加目标检测、实例分割领域一站式全流程开发能力:

      • 飞桨低代码开发工具PaddleX，依托于PaddleDetection的先进技术，支持了目标检测领域的一站式全流程开发能力：

        • 🎨 模型丰富一键调用：将通用目标检测、小目标检测和实例分割涉及的55个模型整合为3条模型产线，通过极简的Python API一键调用，快速体验模型效果。此外，同一套API，也支持图像分类、图像分割、文本图像智能分析、通用OCR、时序预测等共计200+模型，形成20+单功能模块，方便开发者进行模型组合使用。
        • 🚀 提高效率降低门槛：提供基于统一命令和图形界面两种方式，实现模型简洁高效的使用、组合与定制。支持高性能部署、服务化部署和端侧部署等多种部署方式。此外，对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等，进行模型开发时，都可以无缝切换。

      • 添加实例分割SOTA模型Mask-RT-DETR

    🔥超越YOLOv8，飞桨推出精度最高的实时检测器RT-DETR！

    ⚡️快速开始

    🔥低代码全流程开发

    👫开源社区

    ✨主要特性

    🧩模块化设计

    PaddleDetection将检测模型解耦成不同的模块组件，通过自定义模块组件组合，用户可以便捷高效地完成检测模型的搭建。传送门：🧩模块组件。

    📱丰富的模型库

    PaddleDetection支持大量的最新主流的算法基准以及预训练模型，涵盖2D/3D目标检测、实例分割、人脸检测、关键点检测、多目标跟踪、半监督学习等方向。传送门：📱模型库、⚖️模型性能对比。

    🎗️产业特色模型|产业工具

    PaddleDetection打造产业级特色模型以及分析工具：PP-YOLOE+、PP-PicoDet、PP-TinyPose、PP-HumanV2、PP-Vehicle等，针对通用、高频垂类应用场景提供深度优化解决方案以及高度集成的分析工具，降低开发者的试错、选择成本，针对业务场景快速应用落地。传送门：🎗️产业特色模型|产业工具。

    💡🏆产业级部署实践

    PaddleDetection整理工业、农业、林业、交通、医疗、金融、能源电力等AI应用范例，打通数据标注-模型训练-模型调优-预测部署全流程，持续降低目标检测技术产业落地门槛。传送门：💡产业实践范例、🏆企业应用案例。

    🍱安装

    参考安装说明进行安装。

    🔥教程

    深度学习入门教程

    快速开始

    数据准备

    配置文件说明

    模型开发

    部署推理

    🔑FAQ

    🧩模块组件

    📱模型库

    ⚖️模型性能对比

    🖥️服务器端模型性能对比

    各模型结构和骨干网络的代表模型在COCO数据集上精度mAP和单卡Tesla V100上预测速度(FPS)对比图。

    • ViT为ViT-Cascade-Faster-RCNN模型，COCO数据集mAP高达55.7%
    • Cascade-Faster-RCNN为Cascade-Faster-RCNN-ResNet50vd-DCN，PaddleDetection将其优化到COCO数据mAP为47.8%时推理速度为20FPS
    • PP-YOLOE是对PP-YOLO v2模型的进一步优化，L版本在COCO数据集mAP为51.6%，Tesla V100预测速度78.1FPS
    • PP-YOLOE+是对PPOLOE模型的进一步优化，L版本在COCO数据集mAP为53.3%，Tesla V100预测速度78.1FPS
    • YOLOX和YOLOv5均为基于PaddleDetection复现算法，YOLOv5代码在PaddleYOLO中，参照PaddleYOLO_MODEL
    • 图中模型均可在📱模型库中获取
    ⌚️移动端模型性能对比

    各移动端模型在COCO数据集上精度mAP和高通骁龙865处理器上预测速度(FPS)对比图。

    • 测试数据均使用高通骁龙865(4xA77+4xA55)处理器，batch size为1, 开启4线程测试，测试使用NCNN预测库，测试脚本见MobileDetBenchmark
    • PP-PicoDet及PP-YOLO-Tiny为PaddleDetection自研模型，可在📱模型库中获取，其余模型PaddleDetection暂未提供

    🎗️产业特色模型|产业工具

    产业特色模型｜产业工具是PaddleDetection针对产业高频应用场景打造的兼顾精度和速度的模型以及工具箱，注重从数据处理-模型训练-模型调优-模型部署的端到端打通，且提供了实际生产环境中的实践范例代码，帮助拥有类似需求的开发者高效的完成产品开发落地应用。

    该系列模型｜工具均已PP前缀命名，具体介绍、预训练模型以及产业实践范例代码如下。

    💎PP-YOLOE 高精度目标检测模型

    PP-YOLOE是基于PP-YOLOv2的卓越的单阶段Anchor-free模型，超越了多种流行的YOLO模型。PP-YOLOE避免了使用诸如Deformable Convolution或者Matrix NMS之类的特殊算子，以使其能轻松地部署在多种多样的硬件上。其使用大规模数据集obj365预训练模型进行预训练，可以在不同场景数据集上快速调优收敛。

    传送门：PP-YOLOE说明。

    传送门：arXiv论文。

    模型名称COCO精度（mAP）V100 TensorRT FP16速度(FPS)推荐部署硬件配置文件模型下载
    PP-YOLOE+_l53.3149.2服务器链接下载地址

    传送门：全部预训练模型。

    行业类别亮点文档说明模型下载
    农业农作物检测用于葡萄栽培中基于图像的监测和现场机器人技术，提供了来自5种不同葡萄品种的实地实例PP-YOLOE+ 下游任务下载链接
    通用低光场景检测低光数据集使用ExDark，包括从极低光环境到暮光环境等10种不同光照条件下的图片。PP-YOLOE+ 下游任务下载链接
    工业PCB电路板瑕疵检测工业数据集使用PKU-Market-PCB，该数据集用于印刷电路板（PCB）的瑕疵检测，提供了6种常见的PCB缺陷PP-YOLOE+ 下游任务下载链接

    💎PP-YOLOE-R 高性能旋转框检测模型

    PP-YOLOE-R是一个高效的单阶段Anchor-free旋转框检测模型，基于PP-YOLOE+引入了一系列改进策略来提升检测精度。根据不同的硬件对精度和速度的要求，PP-YOLOE-R包含s/m/l/x四个尺寸的模型。在DOTA 1.0数据集上，PP-YOLOE-R-l和PP-YOLOE-R-x在单尺度训练和测试的情况下分别达到了78.14mAP和78.28 mAP，这在单尺度评估下超越了几乎所有的旋转框检测模型。通过多尺度训练和测试，PP-YOLOE-R-l和PP-YOLOE-R-x的检测精度进一步提升至80.02mAP和80.73 mAP，超越了所有的Anchor-free方法并且和最先进的Anchor-based的两阶段模型精度几乎相当。在保持高精度的同时，PP-YOLOE-R避免使用特殊的算子，例如Deformable Convolution或Rotated RoI Align，使其能轻松地部署在多种多样的硬件上。

    传送门：PP-YOLOE-R说明。

    传送门：arXiv论文。

    模型BackbonemAPV100 TRT FP16 (FPS)RTX 2080 Ti TRT FP16 (FPS)Params (M)FLOPs (G)学习率策略角度表示数据增广GPU数目每GPU图片数目模型下载配置文件
    PP-YOLOE-R-lCRN-l80.0269.748.353.29281.653xocMS+RR42modelconfig

    传送门：全部预训练模型。

    行业类别亮点文档说明模型下载
    通用旋转框检测手把手教你上手PP-YOLOE-R旋转框检测，10分钟将脊柱数据集精度训练至95mAP基于PP-YOLOE-R的旋转框检测下载链接

    💎PP-YOLOE-SOD 高精度小目标检测模型

    PP-YOLOE-SOD(Small Object Detection)是PaddleDetection团队针对小目标检测提出的检测方案，在VisDrone-DET数据集上单模型精度达到38.5mAP，达到了SOTA性能。其分别基于切图拼图流程优化的小目标检测方案以及基于原图模型算法优化的小目标检测方案。同时提供了数据集自动分析脚本，只需输入数据集标注文件，便可得到数据集统计结果，辅助判断数据集是否是小目标数据集以及是否需要采用切图策略，同时给出网络超参数参考值。

    传送门：PP-YOLOE-SOD 小目标检测模型。

    模型COCOAPI mAPval0.5:0.95COCOAPI mAPval0.5COCOAPI mAPtest_dev0.5:0.95COCOAPI mAPtest_dev0.5MatlabAPI mAPtest_dev0.5:0.95MatlabAPI mAPtest_dev0.5下载配置文件
    PP-YOLOE+_SOD-l31.952.125.643.530.2551.18下载链接配置文件

    传送门：全部预训练模型。

    行业类别亮点文档说明模型下载
    通用小目标检测基于PP-YOLOE-SOD的无人机航拍图像检测案例全流程实操。基于PP-YOLOE-SOD的无人机航拍图像检测下载链接

    💫PP-PicoDet 超轻量实时目标检测模型

    全新的轻量级系列模型PP-PicoDet，在移动端具有卓越的性能，成为全新SOTA轻量级模型。

    传送门：PP-PicoDet说明。

    传送门：arXiv论文。

    模型名称COCO精度（mAP）骁龙865 四线程速度(FPS)推荐部署硬件配置文件模型下载
    PicoDet-L36.139.7移动端、嵌入式链接下载地址

    传送门：全部预训练模型。

    行业类别亮点文档说明模型下载
    智慧城市道路垃圾检测通过在市政环卫车辆上安装摄像头对路面垃圾检测并分析，实现对路面遗撒的垃圾进行监控，记录并通知环卫人员清理，大大提升了环卫人效。基于PP-PicoDet的路面垃圾检测下载链接

    📡PP-Tracking 实时多目标跟踪系统

    PaddleDetection团队提供了实时多目标跟踪系统PP-Tracking，是基于PaddlePaddle深度学习框架的业界首个开源的实时多目标跟踪系统，具有模型丰富、应用广泛和部署高效三大优势。 PP-Tracking支持单镜头跟踪(MOT)和跨镜头跟踪(MTMCT)两种模式，针对实际业务的难点和痛点，提供了行人跟踪、车辆跟踪、多类别跟踪、小目标跟踪、流量统计以及跨镜头跟踪等各种多目标跟踪功能和应用，部署方式支持API调用和GUI可视化界面，部署语言支持Python和C++，部署平台环境支持Linux、NVIDIA Jetson等。

    传送门：PP-Tracking说明。

    模型名称模型简介精度速度(FPS)推荐部署硬件配置文件模型下载
    ByteTrackSDE多目标跟踪算法 仅包含检测模型MOT-17 test: 78.4-服务器、移动端、嵌入式链接下载地址
    FairMOTJDE多目标跟踪算法 多任务联合学习方法MOT-16 test: 75.0-服务器、移动端、嵌入式链接下载地址
    OC-SORTSDE多目标跟踪算法 仅包含检测模型MOT-17 half val: 75.5-服务器、移动端、嵌入式链接下载地址
    行业类别亮点文档说明模型下载
    通用多目标跟踪快速上手单镜头、多镜头跟踪PP-Tracking之手把手玩转多目标跟踪下载链接

    ⛷️PP-TinyPose 人体骨骼关键点识别

    PaddleDetection 中的关键点检测部分紧跟最先进的算法，包括 Top-Down 和 Bottom-Up 两种方法，可以满足用户的不同需求。同时，PaddleDetection 提供针对移动端设备优化的自研实时关键点检测模型 PP-TinyPose。

    传送门：PP-TinyPose说明。

    模型名称模型简介COCO精度（AP）速度(FPS)推荐部署硬件配置文件模型下载
    PP-TinyPose轻量级关键点算法输入尺寸256x19268.8骁龙865 四线程: 158.7 FPS移动端、嵌入式链接下载地址

    传送门：全部预训练模型。

    行业类别亮点文档说明模型下载
    运动健身提供从模型选型、数据准备、模型训练优化，到后处理逻辑和模型部署的全流程可复用方案，有效解决了复杂健身动作的高效识别，打造AI虚拟健身教练！基于PP-TinyPose增强版的智能健身动作识别下载链接

    🏃🏻PP-Human 实时行人分析工具

    PaddleDetection深入探索核心行业的高频场景，提供了行人开箱即用分析工具，支持图片/单镜头视频/多镜头视频/在线视频流多种输入方式，广泛应用于智慧交通、智慧城市、工业巡检等领域。支持服务器端部署及TensorRT加速，T4服务器上可达到实时。 PP-Human支持四大产业级功能：五大异常行为识别、26种人体属性分析、实时人流计数、跨镜头（ReID）跟踪。

    传送门：PP-Human行人分析工具使用指南。

    任务T4 TensorRT FP16: 速度（FPS）推荐部署硬件模型下载模型体积
    行人检测（高精度）39.8服务器目标检测182M
    行人跟踪（高精度）31.4服务器多目标跟踪182M
    属性识别（高精度）单人 117.6服务器目标检测 属性识别目标检测：182M属性识别：86M
    摔倒识别单人 100服务器多目标跟踪 关键点检测 基于关键点行为识别多目标跟踪：182M关键点检测：101M基于关键点行为识别：21.8M
    闯入识别31.4服务器多目标跟踪182M
    打架识别50.8服务器视频分类90M
    抽烟识别340.1服务器目标检测基于人体id的目标检测目标检测：182M基于人体id的目标检测：27M
    打电话识别166.7服务器目标检测基于人体id的图像分类目标检测：182M基于人体id的图像分类：45M

    传送门：完整预训练模型。

    行业类别亮点文档说明模型下载
    智能安防摔倒检测飞桨行人分析PP-Human中提供的摔倒识别算法，采用了关键点+时空图卷积网络的技术，对摔倒姿势无限制、背景环境无要求。基于PP-Human v2的摔倒检测下载链接
    智能安防打架识别本项目基于PaddleVideo视频开发套件训练打架识别模型，然后将训练好的模型集成到PaddleDetection的PP-Human中，助力行人行为分析。基于PP-Human的打架识别下载链接
    智能安防摔倒检测基于PP-Human完成来客分析整体流程。使用PP-Human完成来客分析中非常常见的场景： 1. 来客属性识别(单镜和跨境可视化）；2. 来客行为识别（摔倒识别）。基于PP-Human的来客分析案例教程下载链接

    🏎️PP-Vehicle 实时车辆分析工具

    PaddleDetection深入探索核心行业的高频场景，提供了车辆开箱即用分析工具，支持图片/单镜头视频/多镜头视频/在线视频流多种输入方式，广泛应用于智慧交通、智慧城市、工业巡检等领域。支持服务器端部署及TensorRT加速，T4服务器上可达到实时。 PP-Vehicle囊括四大交通场景核心功能：车牌识别、属性识别、车流量统计、违章检测。

    传送门：PP-Vehicle车辆分析工具指南。

    任务T4 TensorRT FP16: 速度(FPS)推荐部署硬件模型方案模型体积
    车辆检测（高精度）38.9服务器目标检测182M
    车辆跟踪（高精度）25服务器多目标跟踪182M
    车牌识别213.7服务器车牌检测 车牌识别车牌检测：3.9M 车牌字符识别： 12M
    车辆属性136.8服务器属性识别7.2M

    传送门：完整预训练模型。

    行业类别亮点文档说明模型下载
    智慧交通交通监控车辆分析本项目基于PP-Vehicle演示智慧交通中最刚需的车流量监控、车辆违停检测以及车辆结构化（车牌、车型、颜色）分析三大场景。基于PP-Vehicle的交通监控分析系统下载链接

    💡产业实践范例

    产业实践范例是PaddleDetection针对高频目标检测应用场景，提供的端到端开发示例，帮助开发者打通数据标注-模型训练-模型调优-预测部署全流程。 针对每个范例我们都通过AI-Studio提供了项目代码以及说明，用户可以同步运行体验。

    传送门：产业实践范例完整列表

    🏆企业应用案例

    企业应用案例是企业在实生产环境下落地应用PaddleDetection的方案思路，相比产业实践范例其更多强调整体方案设计思路，可供开发者在项目方案设计中做参考。

    传送门：企业应用案例完整列表

    📝许可证书

    本项目的发布受Apache 2.0 license许可认证。

    📌引用

    @misc{ppdet2019,
title={PaddleDetection, Object detection and instance segmentation toolkit based on PaddlePaddle.},
author={PaddlePaddle Authors},
howpublished = {\url{https://github.com/PaddlePaddle/PaddleDetection}},
year={2019}
}

    相关项目

    同分类里 star 最高的项目
    对比全部 →
    ultralytics
    ultralytics·Python

    YOLO 系列官方实现库，一套 PyTorch 代码覆盖目标检测、实例与语义分割、图像分类、姿态估计和目标跟踪，训练到部署全流程打通。

    目标检测+4检测 / 分割
    63270+8712kv8.4.2082026-11-10 09:31 UTC
    yolov5
    ultralytics·Python

    基于 PyTorch 的目标检测全家桶，覆盖训练、推理、实例分割、图像分类和模型导出，开箱即用，适合快速落地视觉任务。

    目标检测+4检测 / 分割
    58258+517kv7.02026-11-07 16:59 UTC
    pytorch-image-models
    huggingface·Python

    收录最全的 PyTorch 图像骨干网络合集，涵盖 ResNet、ViT、ConvNeXt 等主流模型，自带训练、评估、推理和导出脚本及预训练权重，省去自己搭网络和找权重的麻烦。

    图像分类+4检测 / 分割
    37272+75.2kv1.0.312026-11-07 23:22 UTC
    detectron2
    facebookresearch·Python

    Detectron2 是 Facebook 开源的目标检测与分割平台，提供模块化架构和丰富预训练模型，方便快速搭建和训练视觉识别任务。

    目标检测+4检测 / 分割
    34980+57.9kv0.62026-10-27 09:21 UTC