PaddleX/docs/train/object_detection.md

目标检测

介绍

PaddleX目前提供了FasterRCNN和YOLOv3两种检测结构,多种backbone模型，可满足开发者不同场景和性能的需求。

• Box MMAP: 模型在COCO数据集上的测试精度
• 预测速度：单张图片的预测用时（不包括预处理和后处理)
• "-"表示指标暂未更新

模型(点击获取代码)	Box MMAP	模型大小	GPU预测速度	Arm预测速度	备注
YOLOv3-MobileNetV1	29.3%	99.2MB	15.442ms	-	模型小，预测速度快，适用于低性能或移动端设备
YOLOv3-MobileNetV3	31.6%	100.7MB	143.322ms	-	模型小，移动端上预测速度有优势
YOLOv3-DarkNet53	38.9	249.2MB	42.672ms	-	模型较大，预测速度快，适用于服务端
FasterRCNN-ResNet50-FPN	37.2%	136.0MB	197.715ms	-	模型精度高，适用于服务端部署
FasterRCNN-ResNet18-FPN	-	-	-	-	模型精度高，适用于服务端部署
FasterRCNN-HRNet-FPN	36.0%	115.MB	81.592ms	-	模型精度高，预测速度快，适用于服务端部署

开始训练

代码保存到本地后，即可直接训练，训练代码会自动下载训练数据开始训练

如保存为yolov3_mobilenetv1.py，如下命令即可开始训练

python yolov3_mobilenetv1.py

相关文档

• 【重要】针对自己的机器环境和数据，调整训练参数？先了解下PaddleX中训练参数作用。——>>传送门
• 【有用】没有机器资源？使用AIStudio免费的GPU资源在线训练模型。——>>传送门
• 【拓展】更多目标检测模型，查阅PaddleX模型库和API使用文档。