mmyolo
v0.6.0
Dokumentasi | Instalasi | ? Model Zoo | ? Perbarui berita | Masalah pelaporan
Bahasa Inggris | 简体中文
? V0.6.0 dirilis pada 15/8/2023:
Untuk riwayat rilis dan perbarui detail, silakan merujuk ke Changelog.
Kami sangat senang mengumumkan pekerjaan terbaru kami tentang tugas pengenalan objek real-time, RTMDET , keluarga detektor tahap tunggal yang sepenuhnya konvolusional. RTMDET tidak hanya mencapai trade-off akurasi parameter terbaik pada deteksi objek dari ukuran model kecil hingga ekstra besar tetapi juga memperoleh kinerja canggih baru pada segmentasi instan dan tugas deteksi objek yang diputar. Detail dapat ditemukan dalam laporan teknis. Model pra-terlatih ada di sini.
| Tugas | Dataset | Ap | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Deteksi Objek | KELAPA | 52.8 | 322 |
| Segmentasi instan | KELAPA | 44.6 | 188 |
| Deteksi objek yang diputar | Dota | 78.9 (skala tunggal) /81.3 (multi-skala) | 121 |
Mmyolo saat ini mengimplementasikan deteksi objek dan algoritma deteksi objek yang diputar, tetapi memiliki akselerasi pelatihan yang signifikan dibandingkan dengan versi MMDeteciton. Kecepatan pelatihan 2,6 kali lebih cepat dari versi sebelumnya.
Mmyolo adalah kotak alat open source untuk algoritma seri YOLO berdasarkan pytorch dan mmdetection. Ini adalah bagian dari proyek OpenMmLab.
Cabang Master bekerja dengan Pytorch 1.6+ . 
? ️ Benchmark terpadu dan nyaman
Mmyolo menyatukan implementasi modul dalam berbagai algoritma yolo dan memberikan tolok ukur terpadu. Pengguna dapat membandingkan dan menganalisis dengan cara yang adil dan nyaman.
Dokumentasi yang kaya dan terperinci
Mmyolo menyediakan dokumentasi yang kaya untuk memulai, penyebaran model, penggunaan lanjutan, dan analisis algoritma, memudahkan pengguna di berbagai tingkatan untuk memulai dan membuat ekstensi dengan cepat.
? Desain Modular
Mmyolo menguraikan kerangka kerja menjadi komponen yang berbeda di mana pengguna dapat dengan mudah menyesuaikan model dengan menggabungkan berbagai modul dengan berbagai strategi pelatihan dan pengujian.
Angka di atas disumbangkan oleh rangeking@github, terima kasih banyak!Dan angka model P6 ada di model_design.md.
Mmyolo mengandalkan Pytorch, MMCV, MMengine, dan MMDetection. Di bawah ini adalah langkah cepat untuk instalasi. Silakan merujuk ke panduan instal untuk instruksi yang lebih rinci.
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 didasarkan pada mmdetection dan mengadopsi struktur kode yang sama dan pendekatan desain. Untuk menggunakan ini dengan lebih baik, silakan baca ikhtisar mmdetection untuk pemahaman pertama tentang mmdetection.
Penggunaan mmyolo hampir identik dengan mmdetection dan semua tutorial mudah digunakan, Anda juga dapat belajar tentang panduan pengguna mmdetection dan panduan lanjutan.
Untuk bagian yang berbeda dari mmdetection, kami juga telah menyiapkan panduan pengguna dan panduan lanjutan, silakan baca dokumentasi kami.
Hasil dan model tersedia di kebun binatang model.
| Tulang punggung | Leher | Kehilangan | Umum |
|
|
|
Silakan merujuk ke FAQ untuk pertanyaan yang sering diajukan.
Kami menghargai semua kontribusi untuk meningkatkan Mmyolo. Proyek yang sedang berlangsung dapat ditemukan di proyek GitHub kami. Selamat datang pengguna komunitas untuk berpartisipasi dalam proyek -proyek ini. Silakan merujuk ke Contributing.MD untuk Pedoman yang Berkontribusi.
Mmyolo adalah proyek open source yang disumbangkan oleh para peneliti dan insinyur dari berbagai perguruan tinggi dan perusahaan. Kami menghargai semua kontributor yang mengimplementasikan metode mereka atau menambahkan fitur baru, serta pengguna yang memberikan umpan balik yang berharga. Kami berharap bahwa kotak alat dan tolok ukur dapat melayani komunitas riset yang berkembang dengan menyediakan toolkit yang fleksibel untuk mengimplementasikan kembali metode yang ada dan mengembangkan detektor baru mereka sendiri.
Jika Anda menemukan proyek ini berguna dalam penelitian Anda, silakan pertimbangkan mengutip:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}Proyek ini dirilis di bawah lisensi GPL 3.0.
