EasyCV Download - EasyCV Source Code Download

EasyCV

Python

v0.11.6

Herunterladen

EasyCV

Englisch | 简体中文

Einführung

EasyCV ist eine All-in-One-Toolbox von Computer Vision, die auf Pytorch basiert, hauptsächlich auf selbstüberprüftes Lernen, transformatorbasierte Modelle und wichtige CV-Aufgaben, einschließlich Bildklassifizierung, Metrik-Lernen, Objekterkennung, Pose-Schätzung usw.

Hauptmerkmale

SOTA SSL -Algorithmen
EasyCV bietet hochmoderne Algorithmen im selbstverständlichen Lernen, das auf kontrastivem Lernen wie SIMCLR, MoCO V2, Swav, Dino und auch MAE basiert, basierend auf maskierter Bildmodellierung. Wir bieten auch Standard -Benchmarking -Tools für die SSL -Modellbewertung.
Vision Transformers
EasyCV zielt darauf ab, eine einfache Möglichkeit zu bieten, die off-the-Shelf-SOTA-Transformatormodelle zu verwenden, die entweder mit überwachtem Lernen oder selbstbewertetem Lernen wie Vit, Swin-Transformer und DETR-Serien trainiert wurden. In Zukunft werden weitere Modelle hinzugefügt. Darüber hinaus unterstützen wir alle vorbereiteten Modelle von Timm.
Funktionalität und Erweiterbarkeit
Neben SSL unterstützt EasyCV auch die Bildklassifizierung, die Objekterkennung, das metrische Lernen und weitere Bereiche in Zukunft. Obwohl EasyCV verschiedene Bereiche abdeckt, zerlegt sie das Framework in verschiedene Komponenten wie Datensatz, Modell und Running Hook, wodurch es einfach ist, neue Komponenten hinzuzufügen und mit vorhandenen Modulen zu kombinieren.
EasyCV bietet eine einfache und umfassende Schnittstelle für Inferenz. Darüber hinaus werden alle Modelle auf PAI-EAS unterstützt, die einfach als Online-Service eingesetzt werden können und die automatische Skalierung und Serviceüberwachung unterstützen.
Effizienz
EasyCV unterstützt Multi-GPU- und Multi-Arbeiter-Schulungen. EasyCV verwendet Dali, um den Daten -IO- und Vorverarbeitungsprozess zu beschleunigen und mit Torchaccelerator und FP16 den Trainingsprozess zu beschleunigen. Für die Inferenzoptimierung exportiert EasyCV das Modell mit JIT-Skript, das durch Pai-Blade optimiert werden kann

Was ist neu

[2023.05.09]

09/05/2023 EasyCV v0.11.0 wurde veröffentlicht.

Unterstützen Sie EasyCV als Plug-In für [modelscope] (https://github.com/modelscope/modelscope.

[2023.03.06]

06/03/2023 EasyCV v0.10.0 wurde veröffentlicht.

Segmentierungsmodell STDC hinzufügen
Fügen Sie Skelettbasis -Videoerkennungsmodell STGCN hinzu
Unterstützen Sie Reid und Multi-Len-Mot

[2023.01.17]

17/01/2023 EasyCV v0.9.0 wurde veröffentlicht.

Unterstützen Sie ein Linsenmot
Support Videoerkennung (X3D, Swin-Video)

[2022.12.02]

02/12/2022 EasyCV v0.8.0 wurde veröffentlicht.

Die NDs von Bevformer-Base stieg um 0,8 auf NuScenes Val, die Trainingsgeschwindigkeit um 10%und die Inferenzgeschwindigkeit um 40%.
Unterstützen Sie Objecs365 Vorabend und Hinzufügen des DINO ++ - Modells kann eine Genauigkeit von 63,4 MAP auf einer Modellskala von 200 m erreichen (unter derselben Skala ist die Genauigkeit die beste).

[2022.08.31] Wir haben unseren Yolox-Pai veröffentlicht, der SOTA-Ergebnisse innerhalb von 40 ~ 50 Karte (weniger als 1 ms) erzielt. Wir bieten auch eine bequeme und schnelle Export-/Prädiktor -API für die Erkennung von End2end -Objekten. Klicken Sie hier!

31/08/2022 EasyCV v0.6.0 wurde veröffentlicht.
- Release Yolox-Pai, das SOTA-Ergebnisse innerhalb von 40 ~ 50 MAP (weniger als 1 ms) erzielt.
- Erkennung Algo Dino hinzufügen, die 58,5 Karte auf Coco erreicht
- Fügen Sie Mask2former Algo hinzu
- Veröffentlicht imageNET1K, ImageNet22K, Coco, LVIS, VOC2012 Daten mit Baidudisk zum Beschleunigen des Downloads

Weitere Details und Geschichte finden Sie unter Change_log.md.

Technische Artikel

Wir haben eine Reihe von technischen Artikeln über die Funktionen von EasyCV.

EasyCV 开源｜开箱即用的视觉自监督+Transformator 算法库
Mae 自监督算法介绍和基于 EasyCV 的复现
基于 EasyCV 复现 Vitdet: 单层特征超越 FPN
基于 easycv 复现 detr 和 dab-detr ， Objektabfrage 的正确打开方式
Yolox-pai: 加速 yolox, 比 yolov6 更快更强
Easycv 带你复现更好更快的自监督算法 -fastconvmae
Easycv datahub 提供多领域视觉数据集下载，助力模型生产
使用 EasyCV Mask2former 轻松实现图像分割

Installation

Weitere Informationen finden Sie im Bereich Installation in Quick_start.md zur Installation.

Fangen an

Weitere Informationen finden Sie unter Quick_start.md, um Quick Start zu erhalten. Wir bieten auch Tutorials für weitere Verwendungen.

Selbstüberprüftes Lernen
Bildklassifizierung
Metrisches Lernen
Objekterkennung mit Yolox-Pai
Modellkomprimierung mit Yolox
mit Torchaccc
Datei IO für lokale und OSS -Dateien
Verwenden von MMDection -Modell in EasyCV
Batch -Vorhersagewerkzeuge

Notizbuch

Selbstüberprüftes Lernen
Bildklassifizierung
Objekterkennung mit Yolox-Pai
Metrisches Lernen

Modellzoo

Architekturen

Selbstüberprüftes Lernen

Bildklassifizierung

Objekterkennung

Segmentierung

Objekterkennung 3d

BYOL (Neurips'2020)
Dino (ICCV'2021)
Mixco (Neurips'2020)
Moby (Arxiv'2021)
MOCOV2 (Arxiv'2020)
SIMCLR (ICML'2020)
Swav (Neurips'2020)
Mae (cvpr'2022)
FASTCONVMAE (ARXIV'2022)

Resnet (cvpr'2016)
Resnext (CVPR'2017)
HRNET (CVPR'2019)
VIT (ICLR'2021)
Swint (ICCV'2021)
Effizienterformer (arxiv'2022)
Deit (ICML'2021)
Xcit (arxiv'2021)
TNT (Neurips'2021)
Konvit (Arxiv'2021)
Cait (ICCV'2021)
Levit (ICCV'2021)
Überzeugen (cvpr'2022)
Resmlp (arxiv'2021)
Mantel (ICCV'2021)
Convmixer (ICLR'2022)
MLP-MIXER (ARXIV'2021)
Nest (aaai'2022)
Grube (Arxiv'2021)
Zwillinge (Neurips'2021)
Shuffle Transformator (Arxiv'2021)
Deit III (ECCV'2022)
Hydra -Aufmerksamkeit (2022)

FCOS (ICCV'2019)
Yolox (arxiv'2021)
Yolox-pai (arxiv'2022)
DETR (ECCV'2020)
Dab-detr (ICLR'2022)
DN-Detr (CVPR'2022)
Dino (Arxiv'2022)

Instanzsegmentierung

Mask R-CNN (ICCV'2017)
Vitdet (Arxiv'2022)
Mask2former (CVPR'2022)

Semantische Segmentierung

FCN (CVPR'2015)
UPERNET (ECCV'2018)

Panoptische Segmentierung

Mask2former (CVPR'2022)

Bevformer (ECCV'2022)

Weitere Informationen finden Sie im folgenden Modellzoo.

selbstüberwachter Lernmodell Zoo
Klassifizierungsmodell Zoo
Erkennungsmodell Zoo
DESTECTION3D MODEL ZOO
Segmentierungsmodell Zoo
Pose Model Zoo

Datenknotenpunkt

EasyCV hat Datensatzinformationen für verschiedene Szenarien gesammelt, sodass Benutzer Modelle im EasyCV -Modellzoo finanzieren oder bewerten können.

Weitere Informationen finden Sie in Data_hub.md.

Lizenz

Dieses Projekt ist unter der Apache -Lizenz (Version 2.0) lizenziert. Dieses Toolkit enthält auch verschiedene Komponenten von Drittanbietern und einige Code, die aus anderen Repos unter anderen Open-Source-Lizenzen geändert wurden. Weitere Informationen finden Sie in der Mitteilungsdatei.