mmyolo
v0.6.0
Documentation | Installation | ? Modèle Zoo | ? Mettre à jour les nouvelles | ? Reporter des problèmes
Anglais | 简体中文
? V0.6.0 a été publié le 15/8/2023:
Pour les détails de l'historique des versions et de la mise à jour, veuillez vous référer à Changelog.
Nous sommes ravis d'annoncer nos derniers travaux sur les tâches de reconnaissance d'objets en temps réel, RTMDET , une famille de détecteurs à un stade entièrement convolutionnels. RTMDET réalise non seulement le meilleur compromis de précision des paramètres sur la détection d'objets de tailles de modèle minuscules à extra-larges, mais obtient également de nouvelles performances de pointe sur la segmentation des instances et les tâches de détection d'objets tournées. Les détails peuvent être trouvés dans le rapport technique. Les modèles pré-formés sont là.
| Tâche | Ensemble de données | AP | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Détection d'objet | Coco | 52.8 | 322 |
| Segmentation des instances | Coco | 44.6 | 188 |
| Détection d'objets tournés | Dota | 78.9 (à l'échelle unique) /81.3 (multi-échelles) | 121 |
MMYOLO met actuellement en œuvre l'algorithme de détection d'objet et de détection d'objets tourbés, mais il a une accélération de formation significative par rapport à la version mmdeteciton. La vitesse d'entraînement est 2,6 fois plus rapide que la version précédente.
MMYOLO est une boîte à outils open source pour les algorithmes de la série YOLO basés sur Pytorch et MMDection. Cela fait partie du projet OpenMMLAB.
La branche Master fonctionne avec Pytorch 1.6+ . 
? ️ Benchmark unifié et pratique
MMyolo unifie la mise en œuvre de modules dans divers algorithmes YOLO et fournit une référence unifiée. Les utilisateurs peuvent comparer et analyser de manière juste et pratique.
Documentation riche et détaillée
MMYOLO fournit une documentation riche pour le démarrage, le déploiement du modèle, les usages avancés et l'analyse des algorithmes, ce qui permet aux utilisateurs à différents niveaux de commencer et de faire des extensions rapidement.
? Conception modulaire
MMYOLO décompose le cadre en différents composants où les utilisateurs peuvent facilement personnaliser un modèle en combinant différents modules avec diverses stratégies de formation et de test.
La figure ci-dessus est apportée par Rangeking @ github, merci beaucoup!Et la figure du modèle P6 est dans Model_design.md.
MMYOLO s'appuie sur Pytorch, MMCV, MMENGINE et MMDETECTION. Vous trouverez ci-dessous des étapes rapides pour l'installation. Veuillez vous référer au guide d'installation pour des instructions plus détaillées.
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 est basé sur MMDection et adopte la même structure de code et la même approche de conception. Pour mieux utiliser cela, veuillez lire la vue d'ensemble MMDETECTION pour la première compréhension de MMDection.
L'utilisation de MMyolo est presque identique à MMDETECTION et tous les tutoriels sont simples à utiliser, vous pouvez également en savoir plus sur le guide de l'utilisateur MMDETECTION et le guide avancé.
Pour différentes parties de MMDection, nous avons également préparé des guides utilisateur et des guides avancés, veuillez lire notre documentation.
Les résultats et les modèles sont disponibles dans le Zoo du modèle.
| Épine dorsale | Cou | Perte | Commun |
|
|
|
Veuillez vous référer à la FAQ pour les questions fréquemment posées.
Nous apprécions toutes les contributions à l'amélioration de MMYOLO. Des projets en cours peuvent être trouvés dans nos projets GitHub. Bienvenue aux utilisateurs de la communauté pour participer à ces projets. Veuillez vous référer à contribution.md pour la directive contributive.
MMYOLO est un projet open source qui est apporté par des chercheurs et des ingénieurs de divers collèges et entreprises. Nous apprécions tous les contributeurs qui mettent en œuvre leurs méthodes ou ajoutent de nouvelles fonctionnalités, ainsi que des utilisateurs qui donnent des commentaires précieux. Nous souhaitons que la boîte à outils et la référence puissent servir la communauté de recherche croissante en fournissant une boîte à outils flexible pour réimplémenter les méthodes existantes et développer leurs propres nouveaux détecteurs.
Si vous trouvez ce projet utile dans vos recherches, veuillez envisager de citer:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}Ce projet est publié sous la licence GPL 3.0.
