mmyolo
v0.6.0
الوثائق | التثبيت | ؟ نموذج حديقة الحيوان | ؟ تحديث الأخبار | ؟ القضايا الإبلاغ
الإنجليزية | 简体中文
؟ تم إصدار V0.6.0 في 15/8/2023:
للحصول على تاريخ الإصدار والتفاصيل التحديث ، يرجى الرجوع إلى Changelog.
نحن متحمسون للإعلان عن عملنا الأخير في مهام التعرف على الأشياء في الوقت الفعلي ، RTMDET ، وهي عائلة من أجهزة الكشف عن مرحلة واحدة تلافيفية بالكامل. لا يحقق RTMDET أفضل مقايضة معلمة معلمة على الكشف عن الكائنات من أحجام النماذج الصغيرة إلى النماذج ، بل تحصل أيضًا على أداء جديد على أحدث حالة على تجزئة المثيل ومهام الكشف عن الكائنات المدورة. يمكن العثور على التفاصيل في التقرير الفني. النماذج المدربة قبل التدريب هنا.
| مهمة | مجموعة البيانات | AP | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| الكشف عن الكائن | كوكو | 52.8 | 322 |
| تجزئة مثيل | كوكو | 44.6 | 188 |
| الكشف عن الكائنات المدورة | دوتا | 78.9 (على نطاق واحد) /81.3 (متعدد النطاق) | 121 |
يقوم Mmyolo حاليًا بتنفيذ خوارزمية الكشف عن الكائنات المدورة والكشف عن الكائنات ، ولكن لديها تسارع تدريب كبير مقارنة بإصدار MMDeteciton. سرعة التدريب أسرع 2.6 مرة من الإصدار السابق.
MMYOLO هو صندوق أدوات مفتوح المصدر لخوارزميات سلسلة YOLO تعتمد على PYTORCH و MMDETECENT. إنه جزء من مشروع OpenMMLAB.
يعمل الفرع الرئيسي مع Pytorch 1.6+ . 
️ معيار موحد ومريح
يقوم Mmyolo بتوحيد تنفيذ الوحدات النمطية في خوارزميات Yolo المختلفة ويوفر معيارًا موحدًا. يمكن للمستخدمين المقارنة والتحليل بطريقة عادلة ومريحة.
وثائق غنية ومفصلة
يوفر Mmyolo وثائق غنية للبدء ، ونشر النماذج ، والاستخدامات المتقدمة ، وتحليل الخوارزمية ، مما يجعل من السهل على المستخدمين في مستويات مختلفة البدء وجعل الامتدادات بسرعة.
؟ تصميم وحدات
يتحلل Mmyolo الإطار إلى مكونات مختلفة حيث يمكن للمستخدمين تخصيص نموذج بسهولة من خلال الجمع بين الوحدات النمطية المختلفة واستراتيجيات التدريب والاختبار المختلفة.
يساهم الرقم أعلاه بواسطة Rangeing@github ، شكرًا جزيلاً لك!وشكل نموذج p6 هو في model_design.md.
يعتمد Mmyolo على Pytorch و MMCV و MmEngine و MMDetection. فيما يلي خطوات سريعة للتثبيت. يرجى الرجوع إلى دليل التثبيت لمزيد من التعليمات التفصيلية.
conda create -n mmyolo python=3.8 pytorch==1.10.1 torchvision==0.11.2 cudatoolkit=11.3 -c pytorch -y
conda activate mmyolo
pip install openmim
mim install " mmengine>=0.6.0 "
mim install " mmcv>=2.0.0rc4,<2.1.0 "
mim install " mmdet>=3.0.0,<4.0.0 "
git clone https://github.com/open-mmlab/mmyolo.git
cd mmyolo
# Install albumentations
pip install -r requirements/albu.txt
# Install MMYOLO
mim install -v -e . يعتمد Mmyolo على MMDetection ويعتمد نفس بنية الكود ونهج التصميم. للحصول على استخدام أفضل لهذا ، يرجى قراءة نظرة عامة على MMDETECELS لفهم MMDECENCEL.
إن استخدام Mmyolo متطابق تقريبًا مع MMDetection وجميع البرامج التعليمية واضحة للاستخدام ، يمكنك أيضًا التعرف على دليل مستخدم MMDetection ودليل متقدم.
بالنسبة لأجزاء مختلفة من MMDECENCEL ، قمنا أيضًا بإعداد أدلة المستخدمين والأدلة المتقدمة ، يرجى قراءة وثائقنا.
النتائج والنماذج متوفرة في حديقة الحيوان النموذجية.
| العمود الفقري | رقاب | خسارة | شائع |
|
|
|
يرجى الرجوع إلى الأسئلة الشائعة للأسئلة التي يتم طرحها بشكل متكرر.
نحن نقدر جميع المساهمات في تحسين مميولو. يمكن العثور على المشاريع المستمرة في مشاريع GitHub الخاصة بنا. نرحب بمستخدمي المجتمع للمشاركة في هذه المشاريع. يرجى الرجوع إلى المساهمة. md للحصول على المبدأ التوجيهي المساهمة.
Mmyolo هو مشروع مفتوح المصدر الذي يساهم به الباحثون والمهندسون من مختلف الكليات والشركات. نقدر جميع المساهمين الذين ينفذون أساليبهم أو يضيفون ميزات جديدة ، وكذلك المستخدمين الذين يقدمون تعليقات قيمة. نتمنى أن يخدم صندوق الأدوات والمعيار مجتمع الأبحاث المتنامي من خلال توفير مجموعة أدوات مرنة لإعادة تنفيذ الأساليب الحالية وتطوير أجهزة الكشف الجديدة الخاصة بهم.
إذا وجدت هذا المشروع مفيدًا في بحثك ، فيرجى التفكير في:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}يتم إصدار هذا المشروع بموجب ترخيص GPL 3.0.
