Download EasyCV - Unduh Kode Sumber EasyCV

EasyCV

ular piton

v0.11.6

Unduh

EasyCV

Bahasa Inggris | 简体中文

Perkenalan

EasyCV adalah kotak alat visi komputer all-in-one berdasarkan pytorch, terutama berfokus pada pembelajaran yang di-swadaya, model berbasis transformator, dan tugas CV utama termasuk klasifikasi gambar, pembelajaran metrik, deteksi objek, estimasi pose, dan sebagainya.

Fitur utama

Algoritma SOTA SSL
EasyCV menyediakan algoritma canggih dalam pembelajaran yang di-swadaya berdasarkan pembelajaran kontras seperti SIMCLR, MOCO V2, SWAV, DINO, dan juga MAE berdasarkan pemodelan gambar bertopeng. Kami juga menyediakan alat pembandingan standar untuk evaluasi model SSL.
Transformer penglihatan
EasyCV bertujuan untuk memberikan cara mudah untuk menggunakan model transformator SOTA off-the-Shelf yang dilatih baik menggunakan pembelajaran yang diawasi atau pembelajaran yang diawasi sendiri, seperti Vit, Swin Transformer, dan Detr Series. Lebih banyak model akan ditambahkan di masa depan. Selain itu, kami mendukung semua model pretrain dari TIMM.
Fungsi & ekstensibilitas
Selain SSL, EasyCV juga mendukung klasifikasi gambar, deteksi objek, pembelajaran metrik, dan lebih banyak bidang akan didukung di masa depan. Meskipun mencakup berbagai area, EasyCV menguraikan kerangka kerja menjadi komponen yang berbeda seperti dataset, model dan menjalankan kait, membuatnya mudah untuk menambahkan komponen baru dan menggabungkannya dengan modul yang ada.
EasyCV menyediakan antarmuka yang sederhana dan komprehensif untuk inferensi. Selain itu, semua model didukung pada PAI-EAS, yang dapat dengan mudah digunakan sebagai layanan online dan mendukung penskalaan otomatis dan pemantauan layanan.
Efisiensi
EasyCV mendukung pelatihan multi-GPU dan multi-pekerja. EasyCV menggunakan DALI untuk mempercepat data IO dan proses preprocessing, dan menggunakan Torchaccelerator dan FP16 untuk mempercepat proses pelatihan. Untuk optimasi inferensi, model Ekspor EasyCV menggunakan skrip JIT, yang dapat dioptimalkan oleh pai-blade

Apa yang baru

[2023.05.09]

09/05/2023 EASYCV V0.11.0 dirilis.

Dukung EasyCV sebagai plug-in untuk [ModelScope] (https://github.com/modelscope/modelscope.

[2023.03.06]

06/03/2023 EASYCV V0.10.0 dirilis.

Tambahkan Model Segmentasi STDC
Tambahkan model pengenalan video berbasis kerangka stgcn
Dukung Reid dan Multi-Len Mot

[2023.01.17]

17/01/2023 EASYCV V0.9.0 dirilis.

Mendukung mot lensa tunggal
Dukungan Pengenalan Video (X3D, Swin-Video)

[2022.12.02]

02/12/2022 EASYCV V0.8.0 dirilis.

NDS base-base meningkat 0,8 pada Nuscenes Val, kecepatan pelatihan meningkat 10%, dan kecepatan inferensi meningkat sebesar 40%.
Support Objects365 pretrain dan menambahkan model Dino ++ dapat mencapai akurasi 63.4map pada skala model 200m (di bawah skala yang sama, akurasinya adalah yang terbaik).

[2022.08.31] Kami telah merilis yolox-pai kami yang mencapai hasil SOTA dalam 40 ~ 50 peta (kurang dari 1 ms). Dan kami juga menyediakan API ekspor/prediktor yang nyaman dan cepat untuk deteksi objek end2end. Untuk mendapatkan awal yang cepat dari Yolox-pai, klik di sini!

31/08/2022 EASYCV V0.6.0 dirilis.
- Lepaskan yolox-pai yang mencapai hasil sota dalam 40 ~ 50 peta (kurang dari 1ms)
- Tambahkan Deteksi Algo Dino yang mencapai 58,5 peta di Coco
- Tambahkan algo mask2former
- Rilis Imagenet1K, Imagenet22K, Coco, LVIS, VOC2012 Data dengan Baidudisk untuk mempercepat pengunduhan

Silakan merujuk ke change_log.md untuk detail dan sejarah lebih lanjut.

Artikel teknis

Kami memiliki serangkaian artikel teknis tentang fungsi EasyCV.

EasyCV 开源｜开箱即用的视觉自监督+Transformer 算法库
Mae 自监督算法介绍和基于 easycv 的复现
基于 EasyCV 复现 Vitdet ：单层特征超越 FPN
基于 easycv 复现 detr 和 dab-det ， kueri objek 的正确打开方式
Yolox-pai: 加速 Yolox, 比 yolov6 更快更强
EASYCV 带你复现更好更快的自监督算法 -FastConvmae
EasyCV DataHub 提供多领域视觉数据集下载，助力模型生产
使用 EasyCV Mask2Former 轻松实现图像分割

Instalasi

Silakan merujuk ke bagian instalasi di quick_start.md untuk instalasi.

Mulai

Silakan merujuk ke quick_start.md untuk awal yang cepat. Kami juga menyediakan tutorial untuk penggunaan lebih lanjut.

Pembelajaran yang di-swadaya
Klasifikasi Gambar
Pembelajaran Metrik
Deteksi objek dengan yolox-pai
Kompresi model dengan yolox
Menggunakan Torchacc
File IO untuk file lokal dan OS
Menggunakan model mmdetection di easyCV
Alat prediksi batch

buku catatan

Pembelajaran yang di-swadaya
Klasifikasi Gambar
Deteksi objek dengan yolox-pai
Pembelajaran Metrik

Model Zoo

Arsitektur

Pembelajaran yang di-swadaya

Klasifikasi Gambar

Deteksi Objek

Segmentasi

Deteksi Objek 3D

BYOL (Neurips'2020)
Dino (ICCV'2021)
Mixco (Neurips'2020)
Moby (Arxiv'2021)
MOCOV2 (Arxiv'2020)
Simclr (icml'2020)
SWAV (Neurips'2020)
Mae (CVPR'2022)
Fastconvmae (arxiv'2022)

Resnet (CVPR'2016)
Resnext (CVPR'2017)
HRNET (CVPR'2019)
Vit (iclr'2021)
Swint (ICCV'2021)
EfisienFormer (Arxiv'2022)
Deit (icml'2021)
Xcit (arxiv'2021)
TNT (Neurips'2021)
Meyakinkan (arxiv'2021)
Cait (ICCV'2021)
Levit (ICCV'2021)
ConvNext (CVPR'2022)
Resmlp (arxiv'2021)
Coat (ICCV'2021)
Convmixer (iclr'2022)
MLP-Mixer (Arxiv'2021)
Sarang (aaai'2022)
Pit (Arxiv'2021)
Kembar (Neurips'2021)
Shuffle Transformer (Arxiv'2021)
Deit III (ECCV'2022)
Perhatian Hydra (2022)

FCOS (ICCV'2019)
YOLOX (Arxiv'2021)
Yolox-pai (arxiv'2022)
Detr (eccv'2020)
DAB-DETR (ICLR'2022)
Dn-det (cvpr'2022)
Dino (Arxiv'2022)

Segmentasi instan

Topeng R-CNN (ICCV'2017)
Vitdet (Arxiv'2022)
Mask2former (cvpr'2022)

Segmentasi semantik

FCN (CVPR'2015)
Upernet (eccv'2018)

Segmentasi panoptik

Mask2former (cvpr'2022)

Bevformer (ECCV'2022)

Silakan merujuk ke kebun binatang model berikut untuk detail lebih lanjut.

Kebun Binatang Model Pembelajaran Mandiri
Kebun Binatang Model Klasifikasi
Kebun Binatang Model Deteksi
Detection3D Model Zoo
Kebun Binatang Model Segmentasi
Pose Model Zoo

Hub data

EasyCV telah mengumpulkan info dataset untuk skenario yang berbeda, memudahkan pengguna untuk melakukan finetune atau mengevaluasi model di zoo model EasyCV.

Silakan merujuk ke data_hub.md.

Lisensi

Proyek ini dilisensikan di bawah lisensi Apache (versi 2.0). Toolkit ini juga berisi berbagai komponen pihak ketiga dan beberapa kode yang dimodifikasi dari repo lain di bawah lisensi sumber terbuka lainnya. Lihat file pemberitahuan untuk informasi lebih lanjut.