yoloair
v1.0
Verbesserte Artikel in der Mango Book Series Improvement -Spalte
Spaltenadresse: Exklusive erste Spalte im gesamten Netzwerk "Mango yolov8 eingehender Verbesserungstutorial"?
Spaltenadresse: Exklusive erste Spalte im gesamten Netzwerk "Mango yolov5 eingehender Verbesserungstutorial"?
Spaltenadresse: Exklusive erste Spalte im gesamten Netzwerk "Mango yolov7 eingehender Verbesserungstutorial"?
Projektadresse: https://github.com/iscyy/ultralyticspro
Konzentrieren Sie sich auf Yolov8 -Verbesserungen, neu - Yolov8 in Pytorch>, Unterstützung zur Verbesserung des Rückgrats, des Hals, des Kopfes, der Verlust, des IOU, der LA, der NMS und anderer Module machen Yolov8 -Verbesserungen wieder einfach
? Das neue Yolov8 Improvement Project Ultralyticspro wird vorhanden, die neuesten Verbesserungspunkte werden im Jahr 2024 aktualisiert
1. Verbesserung von YOLOV8 KOSTENLOSEN Inhalten <br> Dieses Projekt wird weiterhin einige kostenlose Verbesserungspunkte aktualisieren, die jede Woche aktualisiert werden
3.22 Update: Aufmerksamkeitsmechanismus: UltrALYTICS/CFG/MODELLE/CFG2024/YOLOV8-ATTENTENTEN
GAM -Aufmerksamkeitsmechanismus,
SA -Aufmerksamkeitsmechanismus,
Aufmerksamkeitsmechanismus der Sinne, Mechanismus,
SK -Aufmerksamkeitsmechanismus,
SOCA -Aufmerksamkeitsmechanismus,
CBAM -Aufmerksamkeitsmechanismus,
3.23 Update: Pyramidenstruktur: Ultralytics/CFG/Modelle/CFG2024/Yolov8-Pyramidenstruktur Verbesserung
Sppelan,
Simsppf,
BasicRFB,
ASPP,
Sppfcspc
Weitere Updates finden Sie auf: https://github.com/iscyy/ultralyticpropro
YOLOV5 -Projekt Update
2024.03
Zusätzliche Verbesserungspunkte für dysample Upsampling: ICCV2023 Papier: Verbesserungen für das Abtasten -Up -Sampling
Yoloair ist eine Yolo -Algorithmus -Bibliothek, die auf Pytorch basiert. Vereinheitsen Sie das Modellcode -Framework, die einheitliche Anwendung, die Einheitliche Verbesserung, die einfache Modulkombination und erstellen Sie ein leistungsstärkeres Netzwerkmodell.
Vereinfachtes Chinesisch | Englisch
Funktionen • Verwendung? • Dokumentieren? • Ein Problem melden? • Aktualisieren? • Diskussion✌️
• YOLO -Verbesserungsmethoden und -referenzen •
Modelldiversifikation : Verschiedene Erkennungsnetzwerkmodelle werden basierend auf verschiedenen Netzwerkmodulen konstruiert.
Modulare Komponentierung : Benutzern hilft dem Anpassung und schnellem Backbone, Nacken und Kopf, diversifizieren Netzwerkmodelle, der wissenschaftlichen Forschung bei der Verbesserung der Erkennungsalgorithmen, der Modellverbesserungen und der Netzwerkanordnungskombinationen. Erstellen Sie ein leistungsstarkes Netzwerkmodell.
Vereinigen Sie das Modellcode-Framework, einheitliche Anwendungsmethoden, einheitliche Parameteranpassung, einheitliche Verbesserung, integrierte Multitasks, Easy Modul-Kombination und erstellen Sie ein leistungsstärkeres Netzwerkmodell .
Built-in integrated model network structures such as YOLOv5, YOLOv7, YOLOv6, YOLOX, YOLOR, Transformer, PP-YOLO, PP-YOLOv2, PP-YOLOE, PP-YOLOEPlus, Scaled_YOLOv4, YOLOv3, YOLOv4, YOLO-Face, TPH-YOLO, YOLOv5Lite, SPD-YOLO, SlimNeck-YOLO, Picodet und andere Modelle ... Integrieren Sie eine Vielzahl von Erkennungsalgorithmen und verwandten Multi-Task-Modellen mit einem einheitlichen Modellcode-Framework, das in die Yoloair-Bibliothek integriert ist, und einheitliche Anwendungsmethoden . Für wissenschaftliche Forscher ist es zweckmäßig, Papieralgorithmusmodelle zu verbessern, Modelle zu vergleichen und die Diversifizierung von Netzwerkkombinationen zu realisieren. Es enthält leichte Modelle und höhere Präzisionsmodelle und wählt vernünftigerweise nach der Szene, um ein Gleichgewicht zwischen Genauigkeit und Geschwindigkeit zu erreichen. Gleichzeitig unterstützt die Bibliothek die Entkopplung verschiedener Strukturen und Modulkomponenten, um Modulkomponenten zu erstellen. Durch die Kombination verschiedener Modulkomponenten können Benutzer verschiedene Erkennungsmodelle basierend auf verschiedenen Datensätzen oder unterschiedlichen Geschäftsszenarien anpassen und erstellen.
Unterstützt integriertes Multitasking, einschließlich Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung, Gesichtserkennung, Zielverfolgung und anderen Aufgaben
Stern? Und Fork wird nicht verloren gehen und gleichzeitig aktualisieren.
Projektadresse ?: https://github.com/iscyy/yoloair
Einige Verbesserungsanweisungen Tutorial ?: https://github.com/iscyy/yoloair/wiki/impreved-tutorial-presentation
Die folgenden Funktionen werden für interne Tests der Yoloair-Beta-Version unterstützt
Unterstützen Sie mehr Verbesserungen am YOLO -Serienalgorithmusmodell (kontinuierlich aktualisiert ...)
Die Yoloair -Algorithmus -Bibliothek fasst eine Vielzahl von Mainstream -Erkennungsmodellen der Yolo -Serie zusammen, und eine Reihe von Code integriert mehrere Modelle:
Unterstützen Sie mehr Netzwerkmodellkomponenten
| Rückgrat | Hals | Kopf |
|
|
|
| Aufmerksamkeitsmechanismus | Tag -Zuweisung -Strategie | IOU -Verlustfunktion |
|
|
|
| Verlust | NMS | Datenverbesserung |
|
|
|
| Space Pyramid Pooling -Struktur | Modulare Komponenten | Anchorbasiert / Anchorfree |
|
|
|
Unterstützen Sie mehr Rückgrat
Halten Sie mehr Nacken
Unterstützen Sie mehr Erkennungsköpfe
Yolov4, Yolov5 Head Detection Head;
Yolor lernt implizit den Kopf zur Kopferkennung;
Yoloxs entkoppelter Erkennungskopf entkoppelte Kopf und Detectx -Kopf;
Adaptiver räumlicher Merkmal Fusionserkennungskopf ASFF -Kopf;
Yolov6-V2.0 Effizienter entkoppelter Kopf;
YOLOV7 -Nachweiskopf IAUXDECTECT -Kopf, Idetektenzkopf usw.;
Andere verschiedene Erkennungsköpfe
Unterstützt mehr Aufmerksamkeitsmechanismen der Plug-and-Play-Aufmerksamkeitsmechanismen
Stecker und spielen Aufmerksamkeitsmechanismen in jedem Teil des Netzwerks
Selbstaufschlag
Kontexttransformator
Engpasstransformator
S2-MLP-Aufmerksamkeit
SK Achtung
CBAM -Aufmerksamkeit
Se Aufmerksamkeit
Aufmerksamkeit koordinieren
Nam Aufmerksamkeit
Gam Achtung
ECA -Aufmerksamkeit
Aufmerksamkeit mischen
Kreuzung
Aufmerksamkeit koordinieren
SOCATTENTENTENTEN
Die Aufmerksamkeit von Simam wird kontinuierlich aktualisiert?
Große Neuigkeiten! ! ! Als Ergänzung zum Open-Source-Projekt empfehlen wir eine externe Aufmerksamkeitsalgorithmus-Code-Bibliothek. Es ist auf umfassende Weise zusammengefasst und organisiert, einschließlich verschiedener Aufmerksamkeit und anderer Codes. Der Code ist einfach und leicht zu lesen, und eine Codezeile implementiert den Aufmerksamkeitsmechanismus.
Weitere Weltraumpyramidenpoolstrukturen
Unterstützung mehr Verlust
Unterstützt Ankerbasis und Ankerfreiheit
? Yolov5, yolov7, yolov3, yolov4, yolor, scaledyolov4, ppyolo, ppyolov2, verbesserter yolov5, verbesserter yolov7
? Yolox, Yolov6 (Papier), PPyoloe, PPyoloe+
Unterstützt mehrere Tag -Allokationsstrategien
Stütze gewichtete Box Fusion (WBF)
Integrierte mehrere modulare Komponenten für das Netzwerkmodell
Conv, Ghostconv, Engpass, Ghostbottleneck, spp, sppf, dwconv, mixconv2d, fokus, crossconv, bottleneckcsp, c3, c3tr, c3spp, c3ghost, c3hb, c3rfem, multieteam, seam, c3str, sppcspc, reppc, repcspc, reppc, repcspc, reppc, repcspc, botgut, shirtut, scbam, bohrung, shirg, SPPC, STEM, STEMTR, SPPC, BOTWAM, STAND, STEMBAM, SPPC, STEM, STEM, STAND, STAND, STAND, STAND, SPPC, BOTWAM, BOTUT3, BOT, BOTUT3, Air, Air, Air, Air, Ca. ResCSPC, ResCSPB, ResXCSPB, ResXCSPC, BottleneckCSPB, BottleneckCSPC, ASPP, BasicRFB, SPPCSPC_group, HorBlock, CNeB, C3GC, C3C2, nn.ConvTranspose2d, DWConvblock, RepVGGBlock, CoT3, ConvNextBlock, SPPCSP, BottleneckCSP2, Downc, Engbetriebelcspf, Repvggblock, Reorg, DWT, MobileOne, Hornet ... und andere detaillierte Codes./models/common.py Datei
Unterstützen Sie mehr IOU -Verlustfunktionen
Unterstützen Sie mehr NMS
Unterstützen Sie mehr Datenverbesserungen
Unterstützt die offizielle Belastung von Yolov3, Yolov4, Yolov5, Yolov7, Yolor, scaled_yolo und anderen Netzwerken für das Lernen von Transfer
YOLO-Serien-Netzwerkmodell-Thermo-Diagrammvisualisierung (Gardcam, Gardcam ++ usw.) unterstützt Yolov3, Yolov3-SPP, Yolov4, Yolov5, Yolor, Yolov7Scaled_yolov4, TPH-Yolo, Spd-Yolo- und benutzerdefinierte Netzwerkmodelle (Yoloair (BETA-Version) (BETA-Version).
Zusammenfassung der Mainstream -Netzwerkmodell -Strukturdiagramme: Modell?
Die obigen Komponentenmodule verwenden ein einheitliches Modellcode -Framework, ein einheitliches Aufgabenformular und eine einheitliche Anwendungsmethode. Die Modulkomponentierung kann den Benutzern helfen, das Rückgrat, den Hals und den Kopf zu kombinieren, Netzwerkmodelle zu diversifizieren, wissenschaftliche Forschung zu verbessern, die Erkennungsalgorithmen zu verbessern und ein leistungsstärkeres Netzwerkmodell zu erstellen.
HINWEIS: Die obigen Hauptfunktionen unterstützen die Hauptversion und die Beta -Version. Einige Funktionen werden vorübergehend nur in Beta aktualisiert. Nicht alle Updates sind direkt in Main. Nachdem nachfolgende Beta -Versionen intern getestet wurden, werden sie allmählich zur Hauptversion hinzugefügt.
Einschließlich Modellkonfigurationsdateien, die auf verschiedenen Algorithmusmodellen basieren, wie Yolov5, Yolov7, Yolox, Yolor, Yolov3, Yolov4, scaled_yolov4, ppyoloe, ppyoloeplus, Transformer, Yolo-Facev2, Picodet, Yolov5-Lite, TPH-Yolov5, TPH-Yolov5, SPD-Yolo usw. usw.
| Zielerkennung | Zielsegmentierung |
|---|---|
| Bildklassifizierung | Instanzsegmentierung |
|---|---|
| Zielsegmentierung | Zielverfolgung |
|---|---|
| Haltungsschätzung | Gesichtserkennung |
|---|---|
| Thermalfoto 01 | Thermalfoto 02 |
|---|---|
Yolov5 https://github.com/ultralytics/yolov5/releases/tag/v6.1
Yolov4 https://github.com/iscyy/yoloair/releases/tag/v1.0
Yolov3 https://github.com/iscyy/yoloair/releases/tag/v1.0
Yolor https://github.com/iscyy/yoloair/releases/tag/v1.0
Scaled_yolo https://github.com/iscyy/yoloair/releases/tag/v1.0
Yolov7 https://github.com/iscyy/yoloair/releases/tag/v1.0
Über den Code. Folgen Sie dem Entwurfsprinzip von Yolov5.
Die Originalversion wurde basierend auf Yolov5 (v6.1) erstellt
Klonen Sie das Versionslager in Python> = 3.7.0 und installieren Sie Anforderungen.txt, einschließlich 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 detect.py führt inferenz in verschiedenen Datenquellen aus und speichert die Erkennungsergebnisse in den 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 # globWenn Sie verschiedene Modelle verwenden, um über Datensätze zu argumentieren, können Sie die WBF.PY -Datei verwenden, um die Ergebnisse über gewichtete Box -Fusion zu integrieren. Sie müssen nur den IMG -Pfad und den TXT -Pfad in der Datei wbf.py festlegen.
$ python wbf.py
FightingCV Official Account teilt jeden Tag modernste Papieraktualisierungen auf
(Antwort auf das öffentliche Konto, um die Gruppe hinzuzufügen, fügen Sie Assistant zur Exchange Group hinzu)
| Modell | Größe (Pixel) | Karte val 0,5: 0,95 | Karte val 0,5 | Geschwindigkeit CPU B1 (MS) | Geschwindigkeit V100 B1 (MS) | Geschwindigkeit V100 B32 (MS) | Parameter (M) | Flops @640 (b) | Gewichte |
|---|---|---|---|---|---|---|---|---|---|
| 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 |
| Modell | Größe (Pixel) | Karte val 0,5: 0,95 | Karte val 0,5 | Dekonv Kernelgröße | Geschwindigkeit V100 B1 (MS) | Geschwindigkeit V100 B32 (MS) | Parameter (M) | Flops @640 (b) |
|---|---|---|---|---|---|---|---|---|
| Yolov5s | 640 | 33.7 | 52.9 | - - | 5.6 | 2.2 | 7.23 | 16.5 |
| Yolov5s-dekonv-exp1 | 640 | 33.4 | 52,5 | 2 | 5.6 | 2.4 | 7.55 | 18.2 |
| Yolov5s-dekonv-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
| Modell | Größe (Pixel) | Karte val 0,5: 0,95 | Karte val 0,5 | Parameter (M) | Flops @640 (b) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37,4 | 56.6 | 7.226 | 16.5 |
| Yolov5s-dekonv | 640 | 37,8 | 57.1 | 7.232 | 16.5 |
| Modell | Größe (Pixel) | Karte val 0,5: 0,95 | Karte val 0,5 | Parameter (M) | Flops @640 (b) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37.2 | 56.0 | 7.2 | 16.5 |
| Yolov5s-C3GC-Backbone | 640 | 37.7 | 57.3 | 7.5 | 16.8 |
Synchronisieren Sie mit dem Yolov5 -Framework
In Zukunft werden wir weiterhin das Yoloair -Ökosystem aufbauen und verbessern, um mehr Yolov5 -Serienmodelle zu verbessern und zu integrieren, weiterhin verschiedene Module zu kombinieren, verschiedene Netzwerkmodelle horizontal zu erstellen und verwandte Technologien einzuführen usw.
@ article { 2022 yoloair ,
title = {{ YOLOAir }: Makes improvements easy again },
author = { iscyy },
repo = { github https : // github . com / iscyy / yoloair },
year = { 2022 }
} Der Inhalt dieser Website dient nur zum Teilen von Notizen. Wenn einige Inhalte verletzt werden, senden Sie bitte eine E -Mail.
Wenn Sie Fragen haben, besprechen Sie bitte mit mir, indem Sie E -Mails senden.
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
