EasyCV
v0.11.6
Anglais | 简体中文
EASYCV est une boîte à outils de vision par ordinateur tout-en-un basée sur Pytorch, se concentre principalement sur l'apprentissage auto-supervisé, les modèles basés sur les transformateurs et les tâches CV majeures, y compris la classification d'images, l'apprentissage métrique, la détection d'objets, l'estimation de la pose, etc.
Algorithmes SOTA SSL
EASYCV fournit des algorithmes de pointe dans l'apprentissage auto-supervisé basé sur l'apprentissage contrastif tel que SimCLR, MOCO V2, SWAV, Dino et également MAE basé sur la modélisation d'images masqués. Nous fournissons également des outils d'analyse comparative standard pour l'évaluation du modèle SSL.
Transformers de la vision
EASYCV vise à fournir un moyen facile d'utiliser les modèles de transformateurs SOTA standard formés en utilisant l'apprentissage supervisé ou l'apprentissage auto-supervisé, tels que Vit, Swin Transformer et Detr Series. Plus de modèles seront ajoutés à l'avenir. De plus, nous soutenons tous les modèles pré-entraînés de TIMM.
Fonctionnalité et extensibilité
En plus de SSL, EASYCV prend également en charge la classification d'images, la détection d'objets, l'apprentissage métrique et d'autres domaines seront pris en charge à l'avenir. Bien que couvrant différentes zones, EASYCV décompose le cadre en différents composants tels que DataSet, Model and Running Hook, ce qui facilite l'ajout de nouveaux composants et le combiner avec des modules existants.
EASYCV fournit une interface simple et complète pour l'inférence. De plus, tous les modèles sont pris en charge sur PAI-ES, qui peuvent être facilement déployés en tant que service en ligne et prennent en charge la mise à l'échelle et la surveillance des services.
Efficacité
EASYCV prend en charge la formation multi-GPU et multi-travailleurs. EASYCV utilise DALI pour accélérer les données IO et le processus de prétraitement, et utilise Torchaccelerator et FP16 pour accélérer le processus de formation. Pour l'optimisation de l'inférence, le modèle EASYCV exporte à l'aide du script JIT, qui peut être optimisé par Pai-Blade
[2023.05.09]
[2023.03.06]
[2023.01.17]
[2022.12.02]
[2022.08.31] Nous avons publié notre Yolox-PAI qui obtient les résultats SOTA dans les 40 à 50 MAP (moins de 1 ms). Et nous fournissons également une API d'exportation / prédictive pratique et rapide pour la détection d'objets End2end. Pour commencer rapidement Yolox-Pai, cliquez ici!
Veuillez vous référer à Change_log.md pour plus de détails et d'historique.
Nous avons une série d'articles techniques sur les fonctionnalités d'EASYCV.
Veuillez vous référer à la section d'installation dans Quick_start.md pour l'installation.
Veuillez vous référer à Quick_start.md pour démarrer rapidement. Nous fournissons également des tutoriels pour plus d'utilisations.
carnet de notes
| Apprentissage auto-supervisé | Classification d'image | Détection d'objet | Segmentation | Détection d'objet 3D |
|
|
|
|
|
Veuillez vous référer au Zoo du modèle suivant pour plus de détails.
EASYCV a collecté des informations sur l'ensemble de données pour différents scénarios, ce qui permet aux utilisateurs de feetune ou d'évaluer les modèles dans le Zoo du modèle EASYCV.
Veuillez vous référer à data_hub.md.
Ce projet est concédé sous licence Apache (version 2.0). Cette boîte à outils contient également divers composants tiers et certains code modifiés à partir d'autres reposs sous d'autres licences open source. Voir le fichier d'avis pour plus d'informations.
Ce repo est actuellement entretenu par l'équipe PAI-CV, vous pouvez nous contacter par
Si vous avez besoin d'un support de services d'entreprise EASYCV ou d'achat de services de produits cloud, vous pouvez nous contacter par Dingding Group.
