yoloair
v1.0
مقالات محسنة في عمود تحسين سلسلة كتب المانجو
عنوان العمود: العمود الأول الحصري على الشبكة بأكملها "Mango Yolov8 Tutorial Indext Bevelopment Tutorial"؟
عنوان العمود: العمود الأول الحصري على الشبكة بأكملها "Mango YOLOV5 Tutorial Indpethence Tutorial"؟
عنوان العمود: العمود الأول الحصري على الشبكة بأكملها "Mango Yolov7 Tutorial Indpth Inventialment Tutorial"؟
عنوان المشروع: https://github.com/iscyy/ultralyticspro
ركز على تحسينات YOLOV8 ، NEW - YOLOV8 في Pytorch> ، الدعم لتحسين العمود الفقري ، الرقبة ، الرأس ، الخسارة ، IOU ، LA ، NMS وغيرها من الوحدات النمطية تجعل تحسينات YOLOV8 سهلة مرة أخرى مرة أخرى
؟ مشروع تحسين YOLOV8 الجديد UltralyticsPro ، يتم تحديث أحدث نقاط التحسين في عام 2024
1. تحسين المحتوى المجاني لـ yolov8 <br> سيستمر هذا المشروع في تحديث بعض نقاط التحسين المجانية ، والتي سيتم تحديثها كل أسبوع
3.22 التحديث: آلية الانتباه: Ultralytics/CFG/Models/CFG2024/YOLOV8-الاهتمام
آلية انتباه GAM ،
آلية انتباه SA ،
آلية انتباه سيمام ،
آلية انتباه SK ،
آلية انتباه SOCA ،
آلية انتباه CBAM ،
3.23 التحديث: بنية الهرم: تحسين هيكل فائقة/cfg/cfg2024/yolov8-pyramid
sppelan ،
simsppf ،
BasicRFB ،
ASPP ،
SPPFCSPC
لمزيد من التحديثات ، انقر فوق: https://github.com/iscyy/ultralyticspro
تحديث مشروع YOLOV5
2024.03
تمت إضافة نقاط تحسين dysampling: ICCV2023 الورق: تحسينات upsampling
Yoloair هي مكتبة خوارزمية Yolo تعتمد على Pytorch. قم بتوحيد إطار رمز النموذج ، والتطبيق الموحد ، والتحسين الموحد ، ومجموع الوحدة النمطية السهلة ، وإنشاء نموذج شبكة أكثر قوة.
تبسيط الصينية | إنجليزي
الميزات • الاستخدام؟ • وثيقة؟ • الإبلاغ عن مشكلة؟ • تحديث؟ • مناقشة
• أساليب ومراجع تحسين يولو • •
تنويع النماذج : يتم إنشاء نماذج شبكة الكشف المختلفة بناءً على وحدات شبكة مختلفة.
مكونات المعيار : يساعد المستخدمون على تخصيص العمود الفقري والعنق والرأس بسرعة ، وتنويع نماذج الشبكة ، والمساعدة في تحسين خوارزميات الكشف ، وتحسين النماذج ، ومجموعات ترتيب الشبكة. بناء نموذج شبكة قوي.
قم بتوحيد إطار رمز النموذج ، وطرق التطبيق الموحدة ، وتعديل المعلمة الموحدة ، والتحسين الموحد ، والمهام المتعددة المتكاملة ، ومجموعة الوحدة النمطية السهلة ، وبناء نموذج شبكة أكثر قوة .
هياكل شبكة النموذج المدمجة المدمجة مثل yolov5 ، yolov7 ، yolov6 ، yolox ، yolor ، المحول ، pp-yolo ، pp-yolov2 ، pp-yoloe ، pp-yoloeplus ، scaled_yolov4 ، yolov3 ، yolov4 ، yolo-face ، tph-yolo ، yolov5lite ، نماذج أخرى ... دمج مجموعة متنوعة من خوارزميات الكشف والنماذج متعددة المهام ذات الصلة باستخدام إطار رمز النموذج الموحد ، مدمج في مكتبة Yoloair ، وطرق التطبيق الموحدة . من المريح للباحثين العلميين تحسين نماذج الخوارزمية الورقية ، ومقارنة النماذج ، وتحقيق تنويع مجموعات الشبكات. ويشمل نماذج خفيفة الوزن ونماذج دقة أعلى ، ويختار بشكل معقول وفقًا للمشهد لتحقيق توازن بين الدقة والسرعة. في الوقت نفسه ، تدعم المكتبة فك الهياكل ومكونات الوحدة المختلفة لصنع مكونات الوحدة النمطية. من خلال الجمع بين مكونات الوحدة المختلفة ، يمكن للمستخدمين تخصيص وإنشاء نماذج اكتشاف مختلفة بناءً على مجموعات بيانات مختلفة أو سيناريوهات أعمال مختلفة.
يدعم تعدد المهام المتكاملة ، بما في ذلك الكشف عن الكائنات ، تجزئة المثيلات ، تصنيف الصور ، التقدير الوضع ، الكشف عن الوجه ، تتبع الهدف والمهام الأخرى
نجم؟ ولن تضيع Fork ، وسوف يتم تحديثها في وقت واحد.
عنوان المشروع؟: https://github.com/iscyy/yoloair
بعض تعليمات التحسين البرنامج التعليمي؟: https://github.com/iscyy/yoloair/wiki/improved-tutorial-presentation
يتم دعم الوظائف التالية للاختبار الداخلي لإصدار Yoloair-Beta
دعم المزيد من التحسينات على نموذج خوارزمية سلسلة YOLO (تم تحديثه باستمرار ...)
تلخص مكتبة خوارزمية Yoloair مجموعة متنوعة من نماذج اكتشاف سلسلة YOLO السائدة ، ويدمج مجموعة من الكود نماذج متعددة:
دعم المزيد من مكونات نموذج الشبكة
| العمود الفقري | رقاب | رأس |
|
|
|
| آلية الانتباه | استراتيجية تعيين علامة | وظيفة فقدان IOU |
|
|
|
| خسارة | NMS | تعزيز البيانات |
|
|
|
| هيكل تجميع الهرم الفضائي | مكونات وحدات | مرساة / anchorfree |
|
|
|
دعم المزيد من العمود الفقري
دعم المزيد من الرقبة
دعم المزيد من رؤوس الكشف
yolov4 ، yolov5 رأس الكشف عن الرأس ؛
يولور يتعلم ضمنيًا رأس الكشف عن الرأس ؛
رأس الكشف عن رأس يولوكس مفصل رأسه ورأسه.
ميزة مكانية تكيفية رأس الكشف عن رأس ASFF.
yolov6-v2.0 رأس فعال منفصل ؛
yolov7 detection head iauxdetect head ، idetect head ، etc. ؛
رؤساء اكتشاف مختلف آخر
يدعم المزيد من اهتمام آليات الاهتمام بالتوصيل والتشغيل
قم بتوصيل آليات الانتباه في أي جزء من الشبكة
اهتمام الذات
محول سياقي
محول عنق الزجاجة
انتباه S2-MLP
انتباه SK
انتباه CBAM
انتباه بحرارة جنوب شرق
تنسيق الانتباه
انتباه نام
اهتمام جام
اهتمام ECA
خلط الاهتمام
crisscrossattention
تنسيق الانتباه
Socattention
يتم تحديث اهتمام سيمام بشكل مستمر؟
أخبار كبيرة! ! ! كملحق لمشروع المصدر المفتوح ، نوصي بإنهاء مكتبة خوارزمية لمكتبة خوارزمية. يتم تلخيصها وتنظيمها بطريقة شاملة ، بما في ذلك الاهتمام المختلفة والرموز الأخرى. الرمز بسيط وسهل القراءة ، ويقوم سطر واحد من الكود بتنفيذ آلية الانتباه.
المزيد من هياكل تجميع الهرم الفضائية
دعم المزيد من الخسارة
يدعم القاعدة المرساة وخالية من المرساة
؟ yolov5 ، yolov7 ، yolov3 ، yolov4 ، yolor ، scaledyolov4 ، ppyolo ، ppyolov2 ، yolov5 المحسّن ، المحسّن yolov7
؟ yolox ، yolov6 (ورقة) ، ppyoloe ، ppyoloe+
يدعم استراتيجيات تخصيص العلامات المتعددة
دعم اندماج مربع مرجح (WBF)
مكونات معيارية متعددة مدمجة لنموذج الشبكة
Conv ، GhostConv ، Bottleneck ، Ghostbottleneck ، spp ، sppf ، dwconv ، mixconv2d ، focus ، crossconv ، bottlenecksp ، c3 ، C3tr ، Rescspb ، ResxCSPB ، ResxCSPC ، Bottleneckcspb ، Bottleneckcspc ، ASPP ، BasicRfb ، SPPCSPC_Group ، Horblock ، CNEB ، C3GC ، C3C2 ، NN.ConvTranspose2D ، DWConvBlock ، REPVGGBLOCK ، COT3 ، bottleneckcspf ، repvggblock ، reorg ، dwt ، mobileone ، hornet ... ورموز مفصلة أخرى.
دعم المزيد من وظائف فقدان IOU
دعم المزيد من NMS
دعم المزيد من تحسينات البيانات
يدعم تحميل الأوزان الرسمية قبل التدريب من YOLOV3 و YOLOV4 و YOLOV5 و YOLOV7 و YOLOR و SCELED_YOLO وشبكات أخرى لنقل التعلم
يدعم تصور الرسوم البيانية الحرارية لشبكة Yolo Series Series (Gardcam ، Gardcam ++ ، إلخ) Yolov3 و Yolov3-SPP و Yolov4 و Yolov5 و Yolor و Yolov7scaled_yolov4 و Tph-Yolo و SPD-Yolo ونماذج نموذج الشبكة المخصصة (Yoloair (Beta Personal Internal))
ملخص مخططات هيكل نموذج الشبكة السائدة: النموذج؟
تستخدم وحدات المكون أعلاه إطار عمل رمز النموذج الموحد ، ونموذج مهمة موحدة ، وطريقة تطبيق موحدة. يمكن أن يساعد تخصيص مكونات الوحدة المستخدمين على تخصيص وتجمع بسرعة بين العمود الفقري والعنق والرأس ، وتنويع نماذج الشبكة ، والمساعدة في تحسين خوارزميات الكشف ، وبناء نموذج شبكة أكثر قوة.
ملاحظة: يتضمن دعم الميزات الرئيسية أعلاه الإصدار الرئيسي وإصدار بيتا. يتم تحديث بعض الميزات مؤقتًا فقط في بيتا. ليست كل التحديثات مباشرة في الرئيسية. بعد اختبار إصدارات بيتا اللاحقة داخليًا ، يتم إضافتها تدريجياً إلى الإصدار الرئيسي.
بما في ذلك ملفات تكوين النموذج استنادًا إلى نماذج خوارزمية مختلفة مثل YOLOV5 و YOLOV7 و YOLOX و YOLOR و YOLOV3 و YOLOV4 و SCELED_YOLOV4 و PPYOLOE و PPYoloeplus و Transformer و Yolo-Facev2 و Picodet و Yolov5-Lite و Tph-Yolov5 أو SPD-Yolo ، إلخ.
| الكشف الهدف | تجزئة الهدف |
|---|---|
| تصنيف الصور | تجزئة مثيل |
|---|---|
| تجزئة الهدف | تتبع الهدف |
|---|---|
| تقدير الموقف | اكتشاف الوجه |
|---|---|
| الصورة الحرارية 01 | الصورة الحرارية 02 |
|---|---|
yolov5 https://github.com/ultralytics/yolov5/releases/tag/v6.1
yolov4 https://github.com/iscyy/yoloair/release/tag/v1.0
yolov3 https://github.com/iscyy/yoloair/release/tag/v1.0
yolor https://github.com/iscyy/yoloair/release/tag/v1.0
Scaled_yolo https://github.com/iscyy/yoloair/release/tag/v1.0
yolov7 https://github.com/iscyy/yoloair/release/tag/v1.0
حول الكود. اتبع مبدأ التصميم في YOLOV5.
تم إنشاء الإصدار الأصلي على أساس YOLOV5 (v6.1)
استنساخ مستودع الإصدار في Python> = 3.7.0 وتثبيت المتطلبات. txt ، بما في ذلك pytorch> = 1.7 .
$ git clone https://github.com/iscyy/yoloair.git # 克隆
$ cd YOLOAir
$ pip install -r requirements.txt # 安装$ python train.py --data coco128.yaml --cfg configs/yolov5/yolov5s.yaml #默认为yolo يقوم detect.py بتشغيل الاستدلال على مصادر البيانات المختلفة ويحفظ نتائج الكشف إلى دليل runs/detect .
$ python detect.py --source 0 # 网络摄像头
img.jpg # 图像
vid.mp4 # 视频
path/ # 文件夹
path/ * .jpg # globإذا كنت تستخدم نماذج مختلفة للتسبب في مجموعات البيانات ، فيمكنك استخدام ملف wbf.py لدمج النتائج من خلال دمج المربع المرجح. تحتاج فقط إلى تعيين مسار IMG ومسار TXT في ملف wbf.py.
$ python wbf.py
يشارك الحساب الرسمي Fightscv تحديثات الورق المتطورة كل يوم
(الرد على الحساب العام لإضافة مجموعة ، أضف مساعد إلى Exchange Group)
| نموذج | مقاس (بكسل) | خريطة فال 0.5: 0.95 | خريطة فال 0.5 | سرعة وحدة المعالجة المركزية B1 (آنسة) | سرعة V100 B1 (آنسة) | سرعة V100 B32 (آنسة) | params (م) | يتخبط @640 (ب) | الأوزان |
|---|---|---|---|---|---|---|---|---|---|
| Yolov5n | 640 | 28.0 | 45.7 | 45 | 6.3 | 0.6 | 1.9 | 4.5 | Yolov5n |
| Yolov5s | 640 | 37.4 | 56.8 | 98 | 6.4 | 0.9 | 7.2 | 16.5 | Yolov5s |
| Yolov5m | 640 | 45.4 | 64.1 | 224 | 8.2 | 1.7 | 21.2 | 49.0 | Yolov5m |
| Yolov5l | 640 | 49.0 | 67.3 | 430 | 10.1 | 2.7 | 46.5 | 109.1 | Yolov5l |
| Yolov5x | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 | Yolov5x |
| yolov5n6 | 1280 | 36.0 | 54.4 | 153 | 8.1 | 2.1 | 3.2 | 4.6 | yolov5n6 |
| Yolov5S6 | 1280 | 44.8 | 63.7 | 385 | 8.2 | 3.6 | 12.6 | 16.8 | Yolov5S6 |
| yolov5m6 | 1280 | 51.3 | 69.3 | 887 | 11.1 | 6.8 | 35.7 | 50.0 | yolov5m6 |
| YOLOV5L6 | 1280 | 53.7 | 71.3 | 1784 | 15.8 | 10.5 | 76.8 | 111.4 | YOLOV5L6 |
| yolov5x6 + TTA | 1280 1536 | 55.0 55.8 | 72.7 72.7 | 3136 - | 26.2 - | 19.4 - | 140.7 - | 209.8 - | yolov5x6 |
| نموذج | مقاس (بكسل) | خريطة فال 0.5: 0.95 | خريطة فال 0.5 | حجم kernel deconv | سرعة V100 B1 (آنسة) | سرعة V100 B32 (آنسة) | params (م) | يتخبط @640 (ب) |
|---|---|---|---|---|---|---|---|---|
| Yolov5s | 640 | 33.7 | 52.9 | - | 5.6 | 2.2 | 7.23 | 16.5 |
| yolov5s-deconv-Exp1 | 640 | 33.4 | 52.5 | 2 | 5.6 | 2.4 | 7.55 | 18.2 |
| yolov5s-deconv-Exp2 | 640 | 34.7 | 54.2 | 4 | 5.8 | 2.5 | 8.54 | 23.2 |
# train
python -m torch.distributed.run --nproc_per_node 4 train.py --device 0,1,2,3 --data data/coco.yaml --hyp data/hyps/hyp.scratch-low.yaml --cfg path/to/model.yaml --batch 512 --epochs 300 --weights ''
# val
python val.py --verbose --data data/coco.yaml --conf 0.001 --iou 0.65 --batch 1 --weights path/to/model.pt
| نموذج | مقاس (بكسل) | خريطة فال 0.5: 0.95 | خريطة فال 0.5 | params (م) | يتخبط @640 (ب) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37.4 | 56.6 | 7.226 | 16.5 |
| yolov5s-deconv | 640 | 37.8 | 57.1 | 7.232 | 16.5 |
| نموذج | مقاس (بكسل) | خريطة فال 0.5: 0.95 | خريطة فال 0.5 | params (م) | يتخبط @640 (ب) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37.2 | 56.0 | 7.2 | 16.5 |
| YOLOV5S-C3GC-Backbone | 640 | 37.7 | 57.3 | 7.5 | 16.8 |
تزامن مع إطار YOLOV5
في المستقبل ، سنستمر في بناء وتحسين النظام الإيكولوجي لـ Yoloair لتحسين ودمج المزيد من نماذج سلسلة YOLOV5 ، والاستمرار في الجمع بين الوحدات المختلفة ، وبناء المزيد من نماذج الشبكة المختلفة أفقياً وتقديم التقنيات ذات الصلة ، وما إلى ذلك ، إلخ.
@ article { 2022 yoloair ,
title = {{ YOLOAir }: Makes improvements easy again },
author = { iscyy },
repo = { github https : // github . com / iscyy / yoloair },
year = { 2022 }
} محتوى هذا الموقع هو فقط لمشاركة الملاحظات. إذا كان بعض المحتوى ينتهك ، فيرجى إرسال بريد إلكتروني.
إذا كان لديك أي سؤال ، يرجى مناقشة معي عن طريق إرسال البريد الإلكتروني.
https://github.com/ultralytics/yolov5
https://github.com/ultralytics/yolov3
https://github.com/wongkinyiu/pytorch_yolov4
https://github.com/wongkinyiu/scaledyolov4
https://github.com/meituan/yolov6
https://github.com/wongkinyiu/yolov7
https://github.com/wongkinyiu/yolor
https://github.com/xmu-xiaoma666/external-attention-pytorch
https://gitee.com/searchsource/yolov5_yolox
https://github.com/krasjet-yu/yolo-facev2
https://github.com/positive666/yolov5_research/
https://github.com/ppogg/yolov5-lite
https://github.com/gumpest/yolov5-multibackbone
