EasyCV
v0.11.6
Inglés | 简体中文
EasyCV es una caja de herramientas de visión por computadora todo en uno basada en Pytorch, se centra principalmente en el aprendizaje auto-supervisado, los modelos basados en transformadores y las principales tareas de CV, incluida la clasificación de imágenes, el aprendizaje métrico, la detección de objetos, la estimación de pose, etc.
Algoritmos SOTA SSL
EasyCV proporciona algoritmos de última generación en el aprendizaje auto-supervisado basado en el aprendizaje contrastante como SIMCLR, MOCO V2, SWAV, Dino y también MAE basado en el modelado de imágenes enmascaradas. También proporcionamos herramientas de evaluación comparativa estándar para la evaluación del modelo SSL.
Transformadores de visión
EasyCV tiene como objetivo proporcionar una manera fácil de utilizar los modelos de transformador SOTA estándares entrenados, ya sea utilizando el aprendizaje supervisado o el aprendizaje auto-supervisado, como VIT, Swin Transformer y Series DETR. Se agregarán más modelos en el futuro. Además, apoyamos todos los modelos previos a la aparición de TIMM.
Funcionalidad y extensibilidad
Además de SSL, EasyCV también admite la clasificación de imágenes, la detección de objetos, el aprendizaje métrico y más áreas serán compatibles en el futuro. Aunque cubre diferentes áreas, EasyCV descompone el marco en diferentes componentes, como el conjunto de datos, el modelo y la ejecución del gancho, lo que facilita agregar nuevos componentes y combinarlo con los módulos existentes.
EasyCV proporciona una interfaz simple e integral para la inferencia. Además, todos los modelos son compatibles con PAI-EAS, que se puede implementar fácilmente como servicio en línea y admitir escala automática y monitoreo de servicios.
Eficiencia
EasyCV admite capacitación multi-GPU y múltiples trabajadoras. EasyCV utiliza Dali para acelerar los datos IO y el proceso de preprocesamiento, y utiliza Torchaccelerator y FP16 para acelerar el proceso de capacitación. Para la optimización de inferencia, EasyCV exporta el modelo con el script JIT, que puede ser optimizado por Pai-Blade
[2023.05.09]
[2023.03.06]
[2023.01.17]
[2022.12.02]
[2022.08.31] Hemos lanzado nuestro yolox-pai que logra los resultados de SOTA dentro de 40 ~ 50 mapas (menos de 1 m). Y también proporcionamos una API de exportación/predictor conveniente y rápida para la detección de objetos end2END. Para comenzar rápidamente a Yolox-Pai, haga clic aquí.
Consulte Change_log.md para obtener más detalles e historial.
Tenemos una serie de artículos técnicos sobre las funcionalidades de EasyCV.
Consulte la sección de instalación en Quick_Start.md para la instalación.
Consulte Quick_Start.md para un inicio rápido. También proporcionamos tutoriales para más usos.
cuaderno
| Aprendizaje auto-supervisado | Clasificación de imágenes | Detección de objetos | Segmentación | Detección de objetos 3D |
|
|
|
|
|
Consulte el siguiente zoológico del modelo para obtener más detalles.
EasyCV ha recopilado información del conjunto de datos para diferentes escenarios, lo que facilita que los usuarios fingan o evalúen modelos en el zoológico del modelo EasyCV.
Consulte data_hub.md.
Este proyecto tiene licencia bajo la licencia Apache (versión 2.0). Este kit de herramientas también contiene varios componentes de terceros y algún código modificado de otros reposteres bajo otras licencias de código abierto. Consulte el archivo de notificación para obtener más información.
Este repositorio es mantenido actualmente por el equipo de Pai-CV, puede contactarnos con
Si necesita soporte de servicio empresarial EasyCV o compra servicios de productos en la nube, puede comunicarse con nosotros mediante Dingding Group.
