PaddleDetection：https://github.com/PaddlePaddle/PaddleDetection
我的博客：https://blog.csdn.net/weixin_44936889
论文地址：https://arxiv.org/pdf/2007.12099.pdf
论文详解：https://blog.csdn.net/weixin_44936889/article/details/107560168
其中检测框上面的数值是一个相对的距离值
目标检测是计算机视觉研究的重要领域之一，在各种实际场景中起着至关重要的作用。在实际应用中，由于硬件的限制，往往需要牺牲准确性来保证检测器的推断速度。因此，必须考虑目标检测器的有效性和效率之间的平衡。本文的目标不是提出一种新的检测模型，而是实现一种效果和效率相对均衡的对象检测器，可以直接应用于实际应用场景中。考虑到YOLOv3在实际应用中的广泛应用，作者开发了一种新的基于YOLOv3的对象检测器。
本文的作者们主要尝试结合现有的几乎不增加模型参数和FLOPs的各种技巧，在保证速度几乎不变的情况下，尽可能提高检测器的精度。由于本文所有实验都是基于PaddlePaddle进行的，所以作者称之为PP-YOLO。通过多种技巧的结合，PP-YOLO可以在效率(45.2% mAP)和效率(72.9 FPS)之间取得更好的平衡，超过了目前最先进的检测器EfficientDet和YOLOv4。
并且不像YOLOv4花费很大努力在探索高效的主干网络和数据增强策略，并且使用了NAS来搜索超参数（使得模型泛化性降低），PP-YOLO探索了更高效、使得模型更具有泛化性的策略。它的主干网络仅仅使用了ResNet，数据增强也只是直接用了MixUp，这使得PP-YOLO在训练和推理是更加高效。
同时这也说明使用更多Tricks和最新的主干网络，可能会使得PP-YOLO模型更准确。
