mmyolo
v0.6.0
Documentación | Instalación | ? Zoológico modelo | ? ACTUALIZACIÓN Noticias | ? Problemas de informes
Inglés | 简体中文
? V0.6.0 fue lanzado el 15/8/2023:
Para el historial de lanzamiento y los detalles de actualización, consulte ChangeLog.
Nos complace anunciar nuestro último trabajo sobre tareas de reconocimiento de objetos en tiempo real, RTMDET , una familia de detectores de una etapa totalmente convolucionales. RTMDET no solo logra la mejor compensación de la precisión de parámetros en la detección de objetos de los tamaños de modelo pequeños a extra grandes, sino que también obtiene un nuevo rendimiento de última generación en la segmentación de instancias y las tareas de detección de objetos girados. Los detalles se pueden encontrar en el informe técnico. Los modelos previamente capacitados están aquí.
| Tarea | Conjunto de datos | AP | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Detección de objetos | PALMA DE COCO | 52.8 | 322 |
| Segmentación de instancias | PALMA DE COCO | 44.6 | 188 |
| Detección de objetos rotados | Dota | 78.9 (a escala única) /81.3 (múltiple a escala) | 121 |
Mmyolo actualmente implementa el algoritmo de detección de objetos de objetos y de objetos, pero tiene una aceleración de entrenamiento significativa en comparación con la versión MMDeteciton. La velocidad de entrenamiento es 2.6 veces más rápida que la versión anterior.
MMYOLO es una caja de herramientas de código abierto para algoritmos de la serie YOLO basados en Pytorch y MmDetection. Es parte del proyecto OpenMMLab.
La rama maestra funciona con Pytorch 1.6+ . 
? ️ Benchmar de referencia unificado y conveniente
Mmyolo unifica la implementación de módulos en varios algoritmos de Yolo y proporciona un punto de referencia unificado. Los usuarios pueden comparar y analizar de una manera justa y conveniente.
Documentación rica y detallada
Mmyolo proporciona una rica documentación para comenzar, implementación del modelo, usos avanzados y análisis de algoritmos, lo que facilita que los usuarios en diferentes niveles comenzaran y facilite rápidamente.
? Diseño modular
Mmyolo descompone el marco en diferentes componentes donde los usuarios pueden personalizar fácilmente un modelo combinando diferentes módulos con diversas estrategias de capacitación y prueba.
La figura anterior se aporta al rangeking@github, ¡muchas gracias!Y la figura del modelo P6 está en model_design.md.
Mmyolo se basa en Pytorch, MMCV, MMEngine y Mmdetection. A continuación hay pasos rápidos para la instalación. Consulte la guía de instalación para obtener instrucciones más detalladas.
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 se basa en MMDetection y adopta la misma estructura de código y enfoque de diseño. Para obtener un mejor uso de esto, lea la descripción general de MMDetection para la primera comprensión de MMDetection.
El uso de Mmyolo es casi idéntico a MMDetection y todos los tutoriales son sencillos de usar, también puede aprender sobre la guía del usuario de MMDetection y la guía avanzada.
Para diferentes partes de MMDetection, también hemos preparado guías de usuario y guías avanzadas, lea nuestra documentación.
Los resultados y los modelos están disponibles en el zoológico del modelo.
| Columna vertebral | Cuello | Pérdida | Común |
|
|
|
Consulte las preguntas frecuentes para ver las preguntas frecuentes.
Apreciamos todas las contribuciones para mejorar el mmyolo. Se pueden encontrar proyectos en curso en nuestros proyectos GitHub. Bienvenidos a los usuarios de la comunidad para participar en estos proyectos. Consulte CONTRIGIARSE.MD para la guía contribuyente.
Mmyolo es un proyecto de código abierto que contribuyen a investigadores e ingenieros de varias universidades y empresas. Apreciamos a todos los contribuyentes que implementan sus métodos o agregan nuevas características, así como a los usuarios que dan comentarios valiosos. Deseamos que la caja de herramientas y el punto de referencia puedan servir a la creciente comunidad de investigación al proporcionar un conjunto de herramientas flexible para volver a implementar los métodos existentes y desarrollar sus propios nuevos detectores.
Si encuentra útil este proyecto en su investigación, considere citar:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}Este proyecto se publica bajo la licencia GPL 3.0.
