yoloair
v1.0
Articles améliorés dans la colonne d'amélioration des séries de livres de mangue
Adresse de la colonne: première colonne exclusive sur l'ensemble du réseau "Mango Yolov8 Tutoriel d'amélioration approfondie"?
Adresse de la colonne: première colonne exclusive sur l'ensemble du réseau "Mango Yolov5 Tutoriel d'amélioration en profondeur"?
Adresse de la colonne: première colonne exclusive sur l'ensemble du réseau "Mango Yolov7 Tutoriel d'amélioration approfondie"?
Adresse du projet: https://github.com/iscyy/ultralyticspro
Concentrez-vous sur les améliorations de Yolov8, nouveau - yolov8 dans pytorch>, support pour améliorer le squelette, le cou, la tête, la perte, IOU, LA, NMS et d'autres modules facilitent les améliorations de Yolov8
? Le nouveau projet d'amélioration de Yolov8 Ultralyticspro arrive, les derniers points d'amélioration sont mis à jour en 2024
1. Améliorer le contenu gratuit de Yolov8 <br> Ce projet continuera à mettre à jour certains points d'amélioration gratuits, qui seront mis à jour chaque semaine
3.22 MISE À JOUR: Mécanisme d'attention: Ultralytics / CFG / Modèles / CFG2024 / Yolov8-Atention
Mécanisme d'attention de gam,
SA Mécanisme d'attention,
Mécanisme d'attention simam,
Mécanisme d'attention,
Mécanisme d'attention SOCA,
Mécanisme d'attention CBAM,
3.23 Mise à jour: Structure pyramide: Ultralytics / CFG / Modèles / CFG2024 / Yolov8-Pyramid Structure Amélioration
Sppelan,
Simsppf,
Basicrfb,
Aspp,
Sppfcspc
Pour plus de mises à jour, cliquez sur: https://github.com/iscyy/ultralyticspro
Mise à jour du projet Yolov5
2024.03
Ajout de points d'amélioration de dysample de dysample: document ICCV2023: améliorations de dysample d'échantillonnage
Yoloair est une bibliothèque d'algorithmes YOLO basée sur Pytorch. Unifiez le cadre de code du modèle, l'application unifiée, l'amélioration unifiée, la combinaison de modules faciles et la création d'un modèle réseau plus puissant.
Chinois simplifié | Anglais
Caractéristiques • Utiliser? • Document? • Signaler un problème? • Mise à jour? • Discussion✌️
• Méthodes et références d'amélioration de Yolo •
Diversification du modèle : différents modèles de réseau de détection sont construits sur la base de différents modules de réseau.
Componentialisation modulaire : aide les utilisateurs à personnaliser et à combiner rapidement le squelette, le cou et la tête, diversifier les modèles de réseau, aider la recherche scientifique à améliorer les algorithmes de détection, les améliorations des modèles et les combinaisons d'arrangement de réseau. Construire un modèle de réseau puissant.
Unifier le cadre du code du modèle, les méthodes d'application unifiées, le réglage des paramètres unifiés, l'amélioration unifiée, les multitâches multiples intégrées, la combinaison de modules faciles et la création d'un modèle de réseau plus puissant .
Structures de réseaux de modèles intégrés intégrés tels que Yolov5, Yolov7, Yolov6, Yolox, Yolor, Transformer, PP-Yolo, PP-Yolov2, PP-Yoloe, PP-Yoloeplus, Scaled_yolov4, Yolov3, Yolov4, Yolo-Face, TPH-Yolo, Yolov5lite, Spd-Yolo, Slimnect D'autres modèles ... intègrent une variété d'algorithmes de détection et des modèles multi-tâches associés à l'aide d'un cadre de code de modèle unifié, intégré dans la bibliothèque Yoloair et des méthodes d'application unifiées . Il est pratique pour les chercheurs scientifiques d'améliorer les modèles d'algorithmes papier, de comparer les modèles et de réaliser la diversification des combinaisons de réseaux. Il comprend des modèles légers et des modèles de précision plus élevés, et choisit raisonnablement selon la scène pour atteindre un équilibre entre la précision et la vitesse. Dans le même temps, la bibliothèque prend en charge le découplage de différentes structures et composants du module pour fabriquer des composants du module. En combinant différents composants de modules, les utilisateurs peuvent personnaliser et créer différents modèles de détection basés sur différents ensembles de données ou différents scénarios commerciaux.
Prend en charge le multitâche intégré, y compris la détection d'objets, la segmentation des instances, la classification d'image, l'estimation de la pose, la détection du visage, le suivi de la cible et d'autres tâches
Étoile? Et Fork ne se perdra pas et mettra à jour simultanément.
Adresse du projet ?: https://github.com/iscyy/yoloair
Un tutoriel sur les instructions d'amélioration?
Les fonctions suivantes sont prises en charge pour les tests internes de la version yoloair-beta
Prise en charge plus d'améliorations du modèle d'algorithme de la série Yolo (mis à jour en continu ...)
La bibliothèque d'algorithmes Yoloair résume une variété de modèles de détection de la série Yolo traditionnels, et un ensemble de code intègre plusieurs modèles:
Prise en charge de plus de composants du modèle de réseau
| Épine dorsale | Cou | Tête |
|
|
|
| Mécanisme d'attention | Stratégie d'attribution de tags | Fonction de perte IOU |
|
|
|
| Perte | SNM | Amélioration des données |
|
|
|
| Structure de mise en commun de l'espace pyramide | Composants modulaires | Ancre / anchorfree |
|
|
|
Soutenez plus d'épine dorsale
Soutenez plus de cou
Soutenir plus de têtes de détection
Yolov4, tête de détection de tête de Yolov5;
Yolor apprend implicitement la tête de détection de tête;
La tête de détection découplée de Yolox Head découplée et tête de détection;
Tête de détection de fusion spatiale adaptative Tête de détection ASFF;
Yolov6-V2.0 tête découplée efficace;
Tête de détection de Yolov7 Tête ionsdetect, tête idétect, etc.;
Autres têtes de détection différentes
Prend en charge l'attention des mécanismes d'attention des plug-and-play
Mécanismes d'attention de fiche et de jeu dans n'importe quelle partie du réseau
Attention auto-attention
Transformateur contextuel
Transformateur d'étranglement
Attention S2-MLP
ATTENTION SK
CBAM ATTENTION
Attention
Coordonner l'attention
Nam attention
Attention
Attention ECA
Mélanger l'attention
Entrecroisement
Coordonner l'attention
Socontenance
L'attention de Simam est mise à jour en continu?
Grande nouvelle! ! ! En complément du projet open source, nous recommandons une bibliothèque de code d'algorithme d'attention à l'attention externe. Il est résumé et organisé de manière complète, y compris diverses attention et autres codes. Le code est simple et facile à lire, et une ligne de code implémente le mécanisme d'attention.
Plus de structures de mise en commun pyramide d'espace
Soutenir plus de perte
Prend en charge la base d'ancrage et sans ancre
? YOLOV5, YOLOV7, YOLOV3, YOLOV4, YOLOR, SCADEDYOLOV4, PPYOLO, PPYOLOV2, amélioré-yolov5, amélioré-yolov7
? Yolox, yolov6 (papier), ppyoloe, ppyoloe +
Prend en charge plusieurs stratégies d'allocation de balises
Soutenir la fusion de boîte pondérée (WBF)
Plusieurs composants modulaires intégrés pour le modèle de réseau
Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWCONV, MixConv2d, Focus, CrossConV, BottleneckCSP, C3, C3TR, C3SPP, C3GHOST, C3HB, C3RFEM, MULTISEAM, SEAM, C3STR, SPPCSPC, REPCONV RESSSPB, RESXCSPB, RESXCSPC, BottleneckCSPB, BottleneckCSPC, ASPP, BasicRFB, SPPCSPC_GROUP, HOLBLOCK, CNEB, C3GC, C3C2, NN.CONVTRANSPOSE2D BottleneckcSpf, repvggblock, reorg, dwt, mobileone, fret ... et d'autres codes détaillés . /Models/common.py
Soutenir plus de fonctions de perte IOU
Soutenez plus de NMS
Soutenir plus d'améliorations de données
Soutient le chargement officiel de poids pré-formation de Yolov3, Yolov4, Yolov5, Yolov7, Yolor, Scaled_yolo et d'autres réseaux pour l'apprentissage du transfert
Le modèle de réseau de la série YOLO Visualisation du diagramme thermique (Gardcam, Gardcam ++, etc.) prend en charge Yolov3, Yolov3-Spp, Yolov4, Yolov5, Yolor, Yolov7Scaled_Yolov4, TPH-Yolo, SPD-YOLO et les modèles de modèles de réseau personnalisés (Yoloair (version de la version bêta) a été soutenu)
Résumé des diagrammes de structure du modèle de réseau grand public: modèle?
Les modules de composants ci-dessus utilisent un cadre de code de modèle unifié, un formulaire de tâche unifié et une méthode d'application unifiée. La composante des modules peut aider les utilisateurs à personnaliser et à combiner rapidement le squelette, le cou et la tête, diversifier les modèles de réseau, aider la recherche scientifique à améliorer les algorithmes de détection et créer un modèle de réseau plus puissant.
Remarque: La prise en charge des fonctionnalités principales ci-dessus inclut la version principale et la version bêta. Certaines fonctionnalités sont temporairement mises à jour uniquement en version bêta. Toutes les mises à jour ne sont pas directement dans la principale. Après que les versions bêta suivantes soient testées en interne, elles sont progressivement ajoutées à la version principale.
Y compris les fichiers de configuration du modèle basés sur divers modèles d'algorithmes tels que yolov5, yolov7, yolox, yolor, yolov3, yolov4, scaled_yolov4, ppyoloe, ppyoloeplus, transformateur, yolo-facev2, picodet, yolov5-lite, tph-yolov5, spd-yolo, etc.
| Détection de cible | Segmentation cible |
|---|---|
| Classification d'image | Segmentation des instances |
|---|---|
| Segmentation cible | Suivi cible |
|---|---|
| Estimation de la posture | Détection du visage |
|---|---|
| Photo thermique 01 | Photo thermique 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
À propos du code. Suivez le principe de conception de Yolov5.
La version originale a été créée sur la base de Yolov5 (v6.1)
Clone l'entrepôt de version dans Python> = 3,7.0 et Installer les exigences.txt, y compris 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 exécute l'inférence sur diverses sources de données et enregistre les résultats de détection dans le répertoire 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 vous utilisez différents modèles pour raisonner sur les ensembles de données, vous pouvez utiliser le fichier wbf.py pour intégrer les résultats via la fusion de boîte pondérée. Il vous suffit de définir le chemin IMG et le chemin TXT dans le fichier wbf.py.
$ python wbf.py
Le compte officiel de FightingCV partage chaque jour des mises à jour de papier de pointe
(Répondre au compte public pour ajouter un groupe, ajouter un assistant à Exchange Group)
| Modèle | taille (Pixels) | cartographie 0,5: 0,95 | cartographie 0,5 | Vitesse CPU B1 (MS) | Vitesse V100 B1 (MS) | Vitesse V100 B32 (MS) | paramètres (M) | Flops @ 640 (b) | Poids |
|---|---|---|---|---|---|---|---|---|---|
| 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 |
| Modèle | taille (Pixels) | cartographie 0,5: 0,95 | cartographie 0,5 | Taille du noyau déconv | Vitesse V100 B1 (MS) | Vitesse V100 B32 (MS) | paramètres (M) | Flops @ 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
| Modèle | taille (Pixels) | cartographie 0,5: 0,95 | cartographie 0,5 | paramètres (M) | Flops @ 640 (b) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37.4 | 56.6 | 7.226 | 16.5 |
| Yolov5s-deconv | 640 | 37.8 | 57.1 | 7.232 | 16.5 |
| Modèle | taille (Pixels) | cartographie 0,5: 0,95 | cartographie 0,5 | paramètres (M) | Flops @ 640 (b) |
|---|---|---|---|---|---|
| Yolov5s | 640 | 37.2 | 56.0 | 7.2 | 16.5 |
| Yolov5s-C3GC-Backbone | 640 | 37.7 | 57.3 | 7.5 | 16.8 |
Synchroniser avec le cadre Yolov5
À l'avenir, nous continuerons à construire et à améliorer l'écosystème Yoloair pour améliorer et intégrer davantage de modèles de la série Yolov5, continuer à combiner différents modules, à construire plus de modèles de réseau différents horizontalement et à introduire des technologies connexes, etc.
@ article { 2022 yoloair ,
title = {{ YOLOAir }: Makes improvements easy again },
author = { iscyy },
repo = { github https : // github . com / iscyy / yoloair },
year = { 2022 }
} Le contenu de ce site est uniquement pour partager des notes. Si un contenu enfreint, veuillez envoyer des e-mails.
Si vous avez une question, veuillez discuter avec moi en envoyant un e-mail.
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/positive666/yolov5_research/
https://github.com/ppogg/yolov5-lite
https://github.com/gumpest/yolov5-multibackbone
