yoloair
v1.0
Artículos mejorados en la columna de mejora de la serie Mango Book
Dirección de la columna: Primera columna exclusiva en toda la red "Mango Yolov8 Tutorial de mejora en profundidad"?
Dirección de la columna: Primera columna exclusiva en toda la red "Mango Yolov5 Tutorial de mejora en profundidad"?
Dirección de la columna: Primera columna exclusiva en toda la red "Mango Yolov7 Tutorial de mejora en profundidad"?
Dirección del proyecto: https://github.com/iscyy/ultralyticspro
Concéntrese en las mejoras de Yolov8, nuevo - yolov8 en pytorch>, soporte para mejorar la columna vertebral, el cuello, la cabeza, la pérdida, el iou, los LA, los nms y otros módulos facilitan las mejoras de Yolov8
? Se acerca el nuevo proyecto de mejora Yolov8 UltralyticsPro , los últimos puntos de mejora se actualizan en 2024
1. Mejore el contenido gratuito de Yolov8 <br> Este proyecto continuará actualizando algunos puntos de mejora gratuitos, que se actualizarán cada semana
3.22 Actualización: Mecanismo de atención: Ultralítico/CFG/Models/CFG2024/Yolov8-Atention
Mecanismo de atención del gam,
SA Mecanismo de atención,
Mecanismo de atención de simulación,
SK Mecanismo de atención,
Mecanismo de atención de SOCA,
Mecanismo de atención de CBAM,
3.23 Actualización: Estructura piramidal: Ultralítica/CFG/Models/CFG2024/Yolov8-Pyramid Structure Mejora de la estructura
Sppelan,
Simsppf,
BASICRFB,
Aspp,
Sppfcspc
Para obtener más actualizaciones, haga clic en: https://github.com/iscyy/ultralyticspro
Actualización del proyecto Yolov5
2024.03
Puntos de mejora de muestreo de despido agregado: ICCV2023 Documento: Mejoras de muestreo de disetas
Yoloair es una biblioteca de algoritmo Yolo basada en Pytorch. Unifique el marco del código del modelo, la aplicación unificada, la mejora unificada, la combinación de módulos fácil y la creación de un modelo de red más potente.
Chino simplificado | Inglés
Características • ¿Usar? • ¿Documento? • ¿Informar un problema? • ¿Actualizar? • Discusión✌️
• Métodos y referencias de mejora de yolo •
Diversificación del modelo : se construyen diferentes modelos de red de detección en función de diferentes módulos de red.
Componente modular : ayuda a los usuarios a personalizar y combinar rápidamente la red troncal, el cuello y la cabeza, diversificar los modelos de red, ayudar a la investigación científica a mejorar los algoritmos de detección, las mejoras del modelo y las combinaciones de disposiciones de red. Construya un poderoso modelo de red.
Unifique el marco del código del modelo, los métodos de aplicación unificados, el ajuste de los parámetros unificados, la mejora unificada, las tareas múltiples integradas, la combinación de módulos fáciles y la creación de un modelo de red más potente .
Estructuras de red de modelos integradas integradas como Yolov5, Yolov7, Yolov6, Yolox, Yolor, Transformer, PP-Yolov2, PP-Yoloe, PP-Yoloplus, Scaled_yolov4, Yolov3, Yolov4, Yolo-F-F-F-F-Yolov5Lite, Spd-YoloLO, SLIMNECT y otros modelos ... integrar una variedad de algoritmos de detección y modelos de varias tareas relacionados utilizando un marco de código de modelo unificado, integrado en la biblioteca Yoloair y métodos de aplicación unificados . Es conveniente que los investigadores científicos mejoren los modelos de algoritmos de papel, comparen modelos y realicen la diversificación de las combinaciones de redes. Incluye modelos livianos y modelos de mayor precisión, y elige razonablemente de acuerdo con la escena para lograr un equilibrio entre precisión y velocidad. Al mismo tiempo, la biblioteca admite desacoplamiento de diferentes estructuras y componentes del módulo para hacer componentes del módulo. Al combinar diferentes componentes del módulo, los usuarios pueden personalizar y crear diferentes modelos de detección basados en diferentes conjuntos de datos o diferentes escenarios comerciales.
Admite la multitarea integrada, incluida la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de pose, la detección de cara, el seguimiento de objetivos y otras tareas
¿Estrella? Y Fork no se perderá y se actualizará simultáneamente.
¿Dirección del proyecto?: Https://github.com/iscyy/yoloair
¿Algunos tutoriales de instrucciones de mejora?: Https://github.com/iscyy/yoloair/wiki/improved-tutorial-presentation
Las siguientes funciones son compatibles con las pruebas internas de la versión Yoloir-Beta
Admite más mejoras al modelo de algoritmo de la serie Yolo (actualizado continuamente ...)
La biblioteca de algoritmo Yoloair resume una variedad de modelos de detección de la serie Yolo de los principales, y un conjunto de código integra múltiples modelos:
Admite más componentes del modelo de red
| Columna vertebral | Cuello | Cabeza |
|
|
|
| Mecanismo de atención | Estrategia de asignación de etiquetas | Función de pérdida de iou |
|
|
|
| Pérdida | Nms | Mejora de datos |
|
|
|
| Estructura de agrupación de pirámide espacial | Componentes modulares | Anchorbased / AnchorFree |
|
|
|
Apoyar más columna vertebral
Apoya más cuello
Apoyar más cabezas de detección
Yolov4, cabezal de detección de la cabeza Yolov5;
Yolor aprende implícitamente la cabeza de detección de la cabeza;
Cabeza de detección desacoplada de Yolox Cabeza desacoplada y DetectX Head;
Cabezal de detección de fusión de características espaciales adaptativas ASFF CABEZA;
Cabezal desacoplada eficiente Yolov6-V2.0;
Cabezal de detección de Yolov7 IAuxDetect Head, Idetect Head, etc.;
Otros cabezales de detección diferentes
Admite más atención de los mecanismos de atención plug-and-play
Conectar y jugar mecanismos de atención en cualquier parte de la red
Atención propia
Transformador contextual
Transformador de cuello de botella
Atención S2-MLP
Atención
Atención de CBAM
SE ATENCIÓN
Coordinar la atención
NAM ATENCIÓN
Atención
Atención ECA
Aturdir
Aturdir
Coordinar la atención
Sociedad
¿La atención de Simam se está actualizando continuamente?
¡Grandes noticias! ! ! Como suplemento del proyecto de código abierto, recomendamos una biblioteca de código de algoritmo de atención. Se resume y organiza de una manera integral, que incluye varios atención y otros códigos. El código es simple y fácil de leer, y una línea de código implementa el mecanismo de atención.
Más estructuras de agrupación de pirámide espacial
Apoyar más pérdida
Admite la base de anclaje y sin anclaje
? Yolov5, Yolov7, Yolov3, Yolov4, Yolor, Scaledyolov4, Ppyolo, Ppyolov2, mejorado-yolov5, mejor-yolov7
? Yolox, yolov6 (papel), ppyoloe, ppyoloe+
Admite múltiples estrategias de asignación de etiquetas
Soporte de fusión de caja ponderada (WBF)
Componentes modulares múltiples incorporados para el modelo de red
Conv, GhostConv, Bottleneck, GhostBottLeneck, SPP, SPPF, DWConv, MixConv2D, Focus, CrossConv, Bottleneckcsp, C3, C3TR, C3SPP, C3Ghost, C3HB, C3RFEM, MultISam, Seam, C3 Rescspc, rescspb, resxcspb, resxcspc, bottleneckcspb, bottleneckcspc, aspp, BasicRFB, sppcspc_group, horblock, cNeb, c3gc, c3c2, nn.convtranspose2d, dwconvblock, repVggBlock, cot3, convNtext, convnexock, sppcsps, Bottleneckcsp2, Downc, Bottleneckcspf, RepvggBlock, Reorg, DWT, Mobileone, Hornet ... y otros códigos detallados./models/common.py Archivo
Apoyar más funciones de pérdida de IOU
Apoyar más NMS
Admite más mejoras de datos
Apoya la carga oficial de los pesos previos al entrenamiento de Yolov3, Yolov4, Yolov5, Yolov7, Yolor, Scaled_yolo y otras redes para el aprendizaje de transferencia
La visualización del diagrama térmico del modelo de red Yolo (Gardcam, Gardcam ++, etc.) admite Yolov3, Yolov3-SPP, Yolov4, Yolov5, Yolor, Yolov7Scaled_Yolov4, TPH-Yolo, SPD-Yolo y modelos de modelos de red personalizados (Yoloair (versión interna de versión beta)) ha sido soportado))
Resumen de los diagramas de estructura del modelo de red convencional: ¿modelo?
Los módulos de componentes anteriores utilizan un marco de código de modelo unificado, un formulario de tarea unificado y un método de aplicación unificado. La componente del módulo puede ayudar a los usuarios a personalizar y combinar rápidamente la red troncal, el cuello y la cabeza, diversificar los modelos de red, ayudar a la investigación científica a mejorar los algoritmos de detección y construir un modelo de red más potente.
Nota: El soporte de características principales anteriores incluye la versión principal y la versión beta. Algunas características se actualizan temporalmente solo en beta. No todas las actualizaciones son directamente en Main. Después de que las versiones beta posteriores se prueban internamente, se agregan gradualmente a la versión principal.
Incluyendo archivos de configuración del modelo basados en varios modelos de algoritmo como Yolov5, Yolov7, Yolox, Yolor, Yolov3, Yolov4, Scaled_yolov4, Ppyoloe, Ppyoloeplus, Transformer, Yolo-Facev2, Picodet, Yolov5-Lite, Tph-Yolov5, SPD-YOLO, etc.
| Detección de objetivos | Segmentación objetivo |
|---|---|
| Clasificación de imágenes | Segmentación de instancias |
|---|---|
| Segmentación objetivo | Seguimiento de objetivos |
|---|---|
| Estimación de postura | Detección de la cara |
|---|---|
| Foto térmica 01 | Foto térmica 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
Sobre el código. Siga el principio de diseño de Yolov5.
La versión original fue creada basada en yolov5 (v6.1)
Clone el almacén de la versión en Python> = 3.7.0 e instale requisitos.txt, incluido 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 ejecuta inferencia en varias fuentes de datos y guarda los resultados de detección al directorio 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 # globSi usa diferentes modelos para razonar sobre conjuntos de datos, puede usar el archivo wbf.py para integrar los resultados a través de la fusión de caja ponderada. Solo necesita establecer la ruta IMG y la ruta TXT en el archivo wbf.py.
$ python wbf.py
Cuenta oficial de la cuenta oficial de combates Actualizaciones de papel de vanguardia todos los días
(Responder a la cuenta pública para agregar grupo, agregar Asistente a Exchange Group)
| Modelo | tamaño (píxeles) | mapa val 0.5: 0.95 | mapa val 0.5 | Velocidad CPU B1 (EM) | Velocidad V100 B1 (EM) | Velocidad V100 B32 (EM) | parámetros (METRO) | Chocolas @640 (b) | Pesas |
|---|---|---|---|---|---|---|---|---|---|
| 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 |
| Modelo | tamaño (píxeles) | mapa val 0.5: 0.95 | mapa val 0.5 | Deconv tamaño del núcleo | Velocidad V100 B1 (EM) | Velocidad V100 B32 (EM) | parámetros (METRO) | Chocolas @640 (b) |
|---|---|---|---|---|---|---|---|---|
| Yolov5s | 640 | 33.7 | 52.9 | - | 5.6 | 2.2 | 7.23 | 16.5 |
| Yolov5s-deconv-exp1 | 640 | 33.4 | 52.5 | 2 | 5.6 | 2.4 | 7.55 | 18.2 |
| Yolov5s-deconv-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
| Modelo | tamaño (píxeles) | mapa val 0.5: 0.95 | mapa val 0.5 | parámetros (METRO) | Chocolas @640 (b) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37.4 | 56.6 | 7.226 | 16.5 |
| Yolov5s-deconv | 640 | 37.8 | 57.1 | 7.232 | 16.5 |
| Modelo | tamaño (píxeles) | mapa val 0.5: 0.95 | mapa val 0.5 | parámetros (METRO) | Chocolas @640 (b) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37.2 | 56.0 | 7.2 | 16.5 |
| Yolov5s-c3gc-backbone | 640 | 37.7 | 57.3 | 7.5 | 16.8 |
Sincronizar con el marco Yolov5
En el futuro, continuaremos construyendo y mejorando el ecosistema Yoloir para mejorar e integrar más modelos de la serie Yolov5, continuar combinando diferentes módulos, construyendo más modelos de red diferentes horizontalmente e introducir tecnologías relacionadas, etc.
@ article { 2022 yoloair ,
title = {{ YOLOAir }: Makes improvements easy again },
author = { iscyy },
repo = { github https : // github . com / iscyy / yoloair },
year = { 2022 }
} El contenido de este sitio es solo para compartir notas. Si algún contenido es infractor, envíe un correo electrónico.
Si tiene alguna pregunta, discuta conmigo enviando correo electrónico.
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/positivo666/yolov5_research/
https://github.com/ppogg/yolov5-lite
https://github.com/gumpest/yolov5-multibackbone
