背景介绍
算法解读：PP-YOLOE+ SOD
PP-YOLOE-SOD 是飞桨团队自研的小目标检测特色模型，使用数据集分布相关的基于向量的DFL算法 和 针对小目标优化的中心先验优化策略，并且在模型的Neck(FPN)结构中加入Transformer模块，以及结合增加P2层、使用large size等策略，最终在多个小目标数据集上达到极高的精度。
· 整体模型结构解读
PP-YOLOE-SOD基于PP-YOLOE优化，模型结构方面，同时考虑到推理耗时和精度问题，在PP-YOLOE的基础上在Neck中引入的Transformer encoder模块，整体结构如下图所示：
· 针对小目标任务的训练优化
· PaddleX当前支持的小目标检测模型
以下列出来PaddleX当前支持的小目标检测模型列表，各个模型的性能指标如下：
注：以上精度指标为 VisDrone-DET 验证集 mAP(0.5:0.95)。所有模型 GPU 推理耗时基于 NVIDIA Tesla T4 机器，精度类型为 FP32， CPU 推理速度基于 Intel(R) Xeon(R) Gold 5117 CPU @ 2.00GHz，线程数为8，精度类型为 FP32。
使用方法
安装
# cpupython -m pip install paddlepaddle==3.0.0b2 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/# gpu，该命令仅适用于 CUDA 版本为 11.8 的机器环境python -m pip install paddlepaddle-gpu==3.0.0b2 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/# gpu，该命令仅适用于 CUDA 版本为 12.3 的机器环境python -m pip install paddlepaddle-gpu==3.0.0b2 -i https://www.paddlepaddle.org.cn/packages/stable/cu123/
pip install https://paddle-model-ecology.bj.bcebos.com/paddlex/whl/paddlex-3.0.0b2-py3-none-any.whl快速体验
from paddlex import create_pipelinepipeline = create_pipeline(pipeline="small_object_detection")output = pipeline.predict("small_object_detection.jpg")for res in output:res.print() ## 打印预测的结构化输出res.save_to_img("./output/") ## 保存结果可视化图像res.save_to_json("./output/") ## 保存预测的结构化输出
上述代码中：
首先使用产线名称调用create_pipeline()方法实例化产线对象；
然后使用predict()方法进行预测，对于预测结果支持print()方法进行打印，save_to_img()方法进行可视化并保存为图片以及save_to_json()方法保存预测的结构化输出。
二次开发
如果对产线的预训练模型效果满意，可以直接对产线进行高性能推理/服务化部署/端侧部署，如果不满意，您也可以使用 PaddleX 进行便捷高效的二次开发，使用自己场景的数据对模型微调训练获得更优的精度。
基于 PaddleX 便捷的二次开发能力，使用统一命令即可完成数据校验、模型训练与评估推理，无需了解深度学习的底层原理，按要求准备好场景数据，简单运行命令即可完成模型迭代，此处展示小目标检测模型二次开发流程：
python main.py -c paddlex/configs/small_object_detection/PP-YOLOE_plus_SOD-S.yaml \-o Global.mode=train \-o Global.dataset_dir=./dataset/small_det_examples
上述命令中：main.py 为模型开发统一入口文件；-c 用于指定模型配置文件的参数，模型配置文件 PP-YOLOE_plus_SOD-S.yaml 中包含了模型的信息，如模型名、学习率、批次大小等，其中 mode 支持指定数据校验（dataset_check）、训练（train）、评估（evaluate）和模型导出（export）。
更多参数也可以继续在命令中追加参数设置：如指定前 2 卡 gpu 训练：-o Global.device=gpu:0,1；设置训练轮次数为 10：-o Train.epochs_iters=10。此外，相关参数均可通过修改.yaml配置文件中的Global和Train的具体字段来进行设置。
其余更详细的使用方法及产线部署、自定义数据集相关的内容，请参考PaddleX官方教程文档：
小目标检测产线使用教程
小目标检测模块使用教程
精彩课程预告
