mmyolo
v0.6.0
Dokumentation | Installation | Modellzoo | "Update News | Meldungsprobleme
Englisch | 简体中文
? V0.6.0 wurde am 15.8.2023 veröffentlicht:
Weitere Informationen zum Veröffentlichungshistorie und -aktualisierung finden Sie unter ChangeLog.
Wir freuen uns, unsere neuesten Arbeiten zu Echtzeit-Objekterkennungsaufgaben, RTMDET , einer Familie vollständig faltungsvoller einstufiger Detektoren bekannt zu geben. RTMDET erzielt nicht nur den besten Kompromiss der Parametergenauigkeit bei der Objekterkennung von winzigen bis extra-großen Modellgrößen, sondern erhält auch eine neue Leistungsleistung für die Instanzsegmentierung und die Erkennung von Objekten. Details finden Sie im technischen Bericht. Vorausgebildete Modelle sind hier.
| Aufgabe | Datensatz | AP | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Objekterkennung | Coco | 52,8 | 322 |
| Instanzsegmentierung | Coco | 44,6 | 188 |
| Rotierte Objekterkennung | Dota | 78,9 (Einzelmaßstab) /81.3 (Mehrfachskala) | 121 |
MMYOLO implementiert derzeit den Objekterkennung und den gedrehten Objekterkennungsalgorithmus, weist jedoch eine signifikante Trainingsbeschleunigung im Vergleich zur MMDETECITON -Version auf. Die Trainingsgeschwindigkeit ist 2,6 -mal schneller als die vorherige Version.
MMYOLO ist eine Open -Source -Toolbox für Algorithmen der YOLO -Serie, die auf Pytorch und Mmdetion basiert. Es ist Teil des OpenMMLAB -Projekts.
Der Master -Zweig arbeitet mit Pytorch 1.6+ . 
? ️ einheitlicher und bequemer Benchmark
MMYOLO vereint die Implementierung von Modulen in verschiedenen YOLO -Algorithmen und bietet einen einheitlichen Benchmark. Benutzer können fair und bequem vergleichen und analysieren.
Reiche und detaillierte Dokumentation
MMYOLO bietet eine umfassende Dokumentation für den Einstieg, die Modellbereitstellung, die erweiterten Verwendungen und die Algorithmusanalyse, um den Benutzern auf verschiedenen Ebenen einfach zu starten und Erweiterungen schnell zu erstellen.
? Modulares Design
MMYOLO zersetzt das Framework in verschiedene Komponenten, in denen Benutzer ein Modell problemlos anpassen können, indem verschiedene Module mit verschiedenen Trainings- und Teststrategien kombiniert werden.
Die obige Abbildung wird von Rangeking@github beigetragen, vielen Dank!Und die Figur des P6 -Modells befindet sich in model_design.md.
MMyolo stützt sich auf Pytorch, MMCV, Mmengine und mmdetektion. Im Folgenden finden Sie schnelle Schritte für die Installation. Weitere detailliertere Anweisungen finden Sie im Installationshandbuch.
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 . MMYOLO basiert auf mmdetektion und verfolgt den gleichen Codestruktur und denselben Entwurfsansatz. Um dies besser zu nutzen, lesen Sie bitte die MMDETTICE -Übersicht über das erste Verständnis der mmdetektion.
Die Verwendung von MMYOLO ist fast identisch mit MMDection, und alle Tutorials sind unkompliziert.
Für verschiedene Teile von MMDection haben wir auch Benutzerführer und erweiterte Führer vorbereitet. Lesen Sie bitte unsere Dokumentation.
Ergebnisse und Modelle sind im Modellzoo verfügbar.
| Rückgrat | Hals | Verlust | Gemeinsam |
|
|
|
Weitere Fragen finden Sie in den FAQs für häufig gestellte Fragen.
Wir schätzen alle Beiträge zur Verbesserung von MMYOLO. In unseren Github -Projekten finden Sie laufende Projekte. Begrüßen Sie Community -Nutzern, um an diesen Projekten teilzunehmen. Weitere Informationen finden Sie in der beitragenden Richtlinie.
MMYOLO ist ein Open -Source -Projekt, das von Forschern und Ingenieuren verschiedener Hochschulen und Unternehmen beigetragen wird. Wir schätzen alle Mitwirkenden, die ihre Methoden implementieren oder neue Funktionen hinzufügen, sowie Benutzer, die wertvolles Feedback geben. Wir wünschen, dass die Toolbox und der Benchmark der wachsenden Forschungsgemeinschaft dienen könnten, indem sie ein flexibles Toolkit bereitstellen, um bestehende Methoden erneut zu implementieren und ihre eigenen neuen Detektoren zu entwickeln.
Wenn Sie dieses Projekt in Ihrer Forschung nützlich finden, sollten Sie sich angeben:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}Dieses Projekt wird unter der GPL 3.0 -Lizenz veröffentlicht.
