Unduh yoloair - Unduh Kode Sumber yoloair

yoloair

ular piton

v1.0

Unduh

YOLOV5, YOLOV7, YOLOV8 Model 2024/Seri Lengkap/Tutorial Metode Terbaru/Peningkatan (termasuk kode sumber)

Artikel yang Ditingkatkan di Kolom Peningkatan Seri Buku Mangga

Alamat Kolom: Kolom Pertama Eksklusif di Seluruh Jaringan "Mangga Yolov8 Tutorial Peningkatan Depth"?

Alamat Kolom: Kolom Pertama Eksklusif di Seluruh Jaringan "Mangga Yolov5 Tutorial Peningkatan Mendalam"?

Alamat Kolom: Kolom Pertama Eksklusif di Seluruh Jaringan "Mangga Yolov7 Tutorial Peningkatan Mendalam"?

Proyek Ultralyticspro baru akan datang

Alamat Proyek: https://github.com/iscyy/ultralyticspro

Fokus pada perbaikan yolov8, baru - yolov8 di pytorch>, dukungan untuk meningkatkan tulang punggung, leher, kepala, kehilangan, IOU, LA, NMS dan modul lainnya membuat perbaikan YOLOV8 menjadi mudah lagi

? Proyek Peningkatan YOLOV8 baru Ultralyticspro akan datang, poin perbaikan terbaru diperbarui pada tahun 2024

1. Tingkatkan konten gratis YOLOV8 <br> Proyek ini akan terus memperbarui beberapa poin perbaikan gratis, yang akan diperbarui setiap minggu

3.22 Pembaruan: Mekanisme Perhatian: Ultralytics/CFG/Model/CFG2024/YOLOV8-perhatian

Mekanisme perhatian gam,
Mekanisme perhatian SA,
Mekanisme perhatian simam,
Mekanisme perhatian SK,
Mekanisme perhatian soca,
Mekanisme perhatian CBAM,

3.23 Pembaruan: Struktur Piramida: Ultralytics/CFG/Model/CFG2024/YOLOV8 PIRAMID Struktur Peningkatan

Sppelan,
Simsppf,
BASICRFB,
ASPP,
SPPFCSPC

Untuk pembaruan lebih lanjut, klik: https://github.com/iscyy/ultralyticspro

? Versi YOLOAIR2024 yang baru akan datang, poin perbaikan terbaru diperbarui pada tahun 2024

Pembaruan Proyek Yolov5

2024.03

Menambahkan Poin Peningkatan Dysample UpSampling: Kertas ICCV2023: Peningkatan Dysample Upsampling

Udara Yolo: membuat perbaikan mudah lagi

YOLOAIR adalah perpustakaan algoritma Yolo berdasarkan Pytorch. Bersatu kerangka kerja kode model, aplikasi terpadu, perbaikan terpadu, kombinasi modul mudah, dan membangun model jaringan yang lebih kuat.

China yang disederhanakan | Bahasa inggris

mendukung

Fitur • Gunakan? • Dokumen? • Laporkan masalah? • Memperbarui? • Diskusi✌️
• Metode dan referensi peningkatan Yolo •

Perkenalan

Diversifikasi model : Model jaringan deteksi yang berbeda dibangun berdasarkan modul jaringan yang berbeda.

Komponen Modular : Membantu pengguna untuk menyesuaikan dan dengan cepat menggabungkan tulang punggung, leher, dan kepala, diversifikasi model jaringan, membantu penelitian ilmiah meningkatkan algoritma deteksi, peningkatan model, dan kombinasi pengaturan jaringan. Bangun model jaringan yang kuat.

Bersatu kerangka kerja kode model, metode aplikasi terpadu, penyesuaian parameter terpadu, peningkatan terpadu, multi-tugas terintegrasi, kombinasi modul mudah, dan membangun model jaringan yang lebih kuat .

Struktur jaringan model terintegrasi built-in seperti Yolov5, Yolov7, Yolov6, Yolox, Yolor, Transformer, PP-Yolo, PP-Yolov2, PP-yoloe, pp-yoloeplus, scaled_yolov4, YOLOV3, YOLOV4, YOLOEPLUS, TPH-YOLO, YOLOUD dan model lain ... mengintegrasikan berbagai algoritma deteksi dan model multi-task terkait menggunakan kerangka kode model terpadu, terintegrasi dalam perpustakaan YOLOAIR, dan metode aplikasi terpadu . Lebih mudah bagi peneliti ilmiah untuk meningkatkan model algoritma kertas, membandingkan model, dan menyadari diversifikasi kombinasi jaringan. Ini termasuk model ringan dan model presisi yang lebih tinggi, dan memilih secara wajar sesuai dengan adegan untuk mencapai keseimbangan antara akurasi dan kecepatan. Pada saat yang sama, perpustakaan mendukung decoupling berbagai struktur dan komponen modul untuk membuat komponen modul. Dengan menggabungkan komponen modul yang berbeda, pengguna dapat menyesuaikan dan membangun model deteksi yang berbeda berdasarkan set data yang berbeda atau skenario bisnis yang berbeda.

Mendukung multitasking terintegrasi, termasuk deteksi objek, segmentasi instan, klasifikasi gambar, estimasi pose, deteksi wajah, pelacakan target dan tugas lainnya

Bintang? Dan Fork tidak akan tersesat, dan akan memperbarui secara bersamaan.

Alamat Proyek?: Https://github.com/iscyy/yoloair

Beberapa instruksi perbaikan tutorial?: Https://github.com/iscyy/yoloair/wiki/improved-tutorial-presentation

? Beta mendukung pembaruan

Fungsi-fungsi berikut didukung untuk pengujian internal versi YOLOAIR-BETA

Fitur Lainnya?

? Untuk melakukan

Mendukung multi-tugas, termasuk deteksi objek, klasifikasi, segmentasi, estimasi pose, deteksi wajah, pelacakan target dan tugas lainnya

Fitur utama

Mendukung lebih banyak perbaikan pada model algoritma seri YOLO (terus diperbarui ...)

Perpustakaan Algoritma Yoloair merangkum berbagai model deteksi seri Yolo Mainstream, dan satu set kode mengintegrasikan beberapa model:

Built-in integrated YOLOv5 model network structure, YOLOv7 model network structure, YOLOv6 model network structure, PP-YOLOE model network structure, PP-YOLOEPlus model network structure, YOLOR model network structure, YOLOX model network structure, ScaledYOLOv4 model network structure, YOLOv4 model network structure, YOLOv3 model network structure, YOLO-FaceV2 model network structure, TPH-YOLOv5 model network structure, SPD-YOLO model network structure, Struktur jaringan model slimneck-yolo, struktur jaringan model yolov5-lite, struktur jaringan model picoDet, dll. Terus-menerus diperbarui ...

Mendukung lebih banyak komponen model jaringan

Sebagai meja

Komponen Modul Struktural Yoloair

Tulang punggung	Leher	Kepala
Seri CSPDARKNET Seri Hornet Seri Resnet Seri Regnet Seri Shufflenet Seri Replknet Seri MobileNet Seri Efisiensi Seri ConvNext Seri Hantu Seri repvgg Seri Transformer	Panet Reppan Bifpn CSPPAN Slimneck Elanpan Gsneck	Yolov4head Yolov5head Kepala terpencil yolov6 yang efisien Kepala Idetect Yolov7 Kepala yolov7 iauxdetect Kepala Detectx Yolox Fitur Spasial Adaptif Kepala Deteksi Fusi Asff Yolor kepala belajar implisit Eh-head Kepala pembobotan ganda Kepala FCOS Kepala dinamis ...

Komponen Modul Yoloair

Mekanisme perhatian	Strategi penugasan tag	Fungsi Kehilangan IOU
Perhatian diri sendiri Transformator kontekstual Transformator Bottleneck Perhatian S2-MLP Perhatian aksial Danet Doubleattention GlobalContextBlock Parnetattention Polarisasi diri yang terpolarisasi Salinan SpatialGroupenhance Tripletattention Perhatian SK Perhatian cbam Perhatian Koordinasikan perhatian Nam Perhatian Perhatian Gam Perhatian ECA Perhatian mengocok CRISSCROSSAttensi Socattensi Perhatian Simam CRISSCROSSAttensi	Strategi multi -jangkar Kebijakan Alokasi Tag Yolov5 Kebijakan Alokasi Tag Simota Strategi Alokasi Tag Yolov7 Kebijakan Alokasi Tag FreeanChor Kebijakan Penugasan Tag AutoAssign Kebijakan Alokasi Tag Bobot Ganda Penugasan jangkar jangkar probabilistik penugasan jangkar Strategi alokasi tag yang ditingkatkan lainnya	Ciou Diou Giou Eiou Siou Alpha Iou ...

Komponen modul

Kehilangan	Nms	Peningkatan data
Computeloss (v3) Computeloss (V4) Computeloss (V5) Computeloss (V6) Computeloss (x) Computelosauxota (V7) Computelossota (V7)	Nms Gabungan-nms Soft-nms CIOU_NMS Diou_nms Giou_nms Eiou_nms Siou_nms Soft-Siounms Soft-Ciounms Diounms lembut Soft-Eiounms Giounms lunak Simsppf Simsppf Simsppf	Mosaik Salin pasta AFFINE ACICE (rotasi, skala, terjemahan dan geser) Mixup HSV Flip horizontal acak ...

Komponen Modul Yoloair

Struktur pooling piramida ruang	Komponen modular	Anchorbased / AnchorFree
Spp Sppf Aspp RFB SPPCSPC SPPFCSPC Simsppf	Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, C3HB, C3RFEM, MultiSEAM, SEAM, C3STR, SPPCSPC, RepConv, BoT3, Air, CA, CBAM, Involution, Stem, ResCSPC, ResCSPB, ResXCSPB, ResXCSPC, BottleneckCSPB, BottleneckCSPC, ASPP, BasicRFB, SPPCSPC_group, HorBlock, CNeB, C3GC, C3C2, nn.ConvTranspose2d, DWConvblock, RepVGGBlock, CoT3, ConvNextBlock, SPPCSP, BottleneckCSP2, Downc, bottleneckcspf, repvggblock, reorg, dwt, mobileOne, hornet ...	YOLOV5, YOLOV7, YOLOV3, YOLOV4, YOLOR, SCALEDEOLOV4, PPYOLO, PPYOLOV2, YOLOV5 YOLOV5, YOLOV7 YOLOV7 YOLOX, YOLOV6 (kertas), ppyoloe, ppyoloe+ ...

Mendukung lebih banyak tulang punggung

Seri CSPDARKNET
Seri Hornet
Seri Resnet
Seri Regnet
Seri Shufflenet
Seri Hantu
Seri MobileNet
Seri Efisiensi
Seri ConvNext
Seri Replknet
Seri reparameterisasi
Seri repvgg
Seri repmlp
Seri Acnet
Seri RepConv
Seri orepa
Seri MobileOne
Seri Transformer Perhatian Mandiri
Seri MobileVit
Botnet-Transfomrer
Cotnet-Transfomrer
Swin-Transfomrer
Swin-Transfomrer (V2)
Dan seri trans lainnya sedang diperbarui terus menerus? CATATAN: (YOLOAIR (beta) telah menyelesaikan pembaruan jaringan backbone seri 20+ Transformer, beberapa jaringan MLP, dan sebagian besar jaringan model struktural yang direparameterisasi)

Mendukung lebih banyak leher

FPN
Panet
Reppan
Bifpn
CSPPAN
Slimneck
Elanpan
Terus diperbarui?

Mendukung lebih banyak kepala deteksi

YOLOV4, kepala deteksi kepala YOLOV5;
Yolor secara implisit mempelajari kepala deteksi kepala;
Kepala deteksi YOLOX yang dipisahkan kepala dipisahkan kepala dan detectx head;
Kepala deteksi fusi spasial adaptif kepala asff head;
Kepala terpencil yang efisien YOLOV6-V2.0;
Kepala deteksi yolov7 head iauxdetect, kepala idetect, dll.;
Kepala Deteksi Berbeda Lainnya

Mendukung lebih banyak mekanisme perhatian plug-and-play perhatian

Plug dan mainkan mekanisme perhatian di bagian mana pun dari jaringan
Perhatian diri sendiri
Transformator kontekstual
Transformator Bottleneck
Perhatian S2-MLP
Perhatian SK
Perhatian cbam
Perhatian
Koordinasikan perhatian
Nam Perhatian
Perhatian Gam
Perhatian ECA
Perhatian mengocok
CRISSCROSSAttensi
Koordinasikan perhatian
Socattensi
Perhatian Simam sedang diperbarui terus menerus?
Berita besar! Lai Lai Sebagai suplemen untuk proyek open source, kami merekomendasikan perhatian Perpustakaan Algoritma Perpustakaan Eksternal. Ini dirangkum dan diselenggarakan secara komprehensif, termasuk berbagai perhatian dan kode lainnya. Kode ini sederhana dan mudah dibaca, dan satu baris kode mengimplementasikan mekanisme perhatian.

Lebih banyak struktur pooling piramida ruang

Spp
Sppf
Aspp
RFB
SPPCSPC
SPPFCSPC
SimSppf sedang diperbarui terus menerus?

Mendukung lebih banyak kerugian

Computeloss
Computeloss (V5)
Computeloss (V6)
Computeloss (x)
Computelosauxota (V7)
Computelossota (V7)
ComputenWdloss
Kerugian lainnya

Mendukung basis jangkar dan bebas jangkar

? YOLOV5, YOLOV7, YOLOV3, YOLOV4, YOLOR, SCALEDEOLOV4, PPYOLO, PPYOLOV2, YOLOV5 YOLOV5, YOLOV7 YOLOV7
? YOLOX, YOLOV6 (kertas), ppyoloe, ppyoloe+

Mendukung beberapa strategi alokasi tag

Strategi multi -jangkar
Kebijakan Alokasi Tag Yolov5
Kebijakan Alokasi Tag Simota
Strategi Alokasi Tag Yolov7
Kebijakan Penugasan Tag AutoAssign?
Kebijakan Alokasi Tag Dual Bobot?
Kebijakan Alokasi Tag FreeanChor?
Strategi alokasi tag yang ditingkatkan lainnya terus diperbarui?

Dukung Fusion Box Bobot (WBF)

Beberapa komponen modular bawaan untuk model jaringan
Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, C3HB, C3RFEM, MultiSEAM, SEAM, C3STR, SPPCSPC, RepConv, BoT3, Air, CA, CBAM, Involution, Stem, ResCSPC, ResCSPB, ResXCSPB, ResXCSPC, BottleneckCSPB, BottleneckCSPC, ASPP, BasicRFB, SPPCSPC_group, HorBlock, CNeB, C3GC, C3C2, nn.ConvTranspose2d, DWConvblock, RepVGGBlock, CoT3, ConvNextBlock, SPPCSP, BottleneckCSP2, Downc, bottleneckcspf, repvggblock, reorg, dwt, mobileOne, hornet ... dan kode terperinci lainnya./models/common.py file

Mendukung lebih banyak fungsi kehilangan IOU

Ciou
Diou
Giou
Eiou
Siou
Alpha Iou
Terus diperbarui?

Mendukung lebih banyak NMS

Nms
Gabungan-nms
Soft-nms
CIOU_NMS
Diou_nms
Giou_nms
Eiou_nms
Siou_nms
Soft-Siounms, Soft-Ciounms, Soft-Diounms, Soft-Eiounms, Soft-Giounms, dll.;
Terus diperbarui?

Mendukung lebih banyak peningkatan data

Mosaik, copy pasta, affine acak (rotasi, skala, terjemahan dan geser), mixup, augment hsv (hue, saturasi, nilai, flip horizontal acak

Mendukung Pemuatan Bobot Pra-Pelatihan Resmi YOLOV3, YOLOV4, YOLOV5, YOLOV7, YOLOR, SCALED_YOLO dan jaringan lainnya untuk pembelajaran transfer

YOLO series network model thermal diagram visualization (GardCAM, GardCAM++, etc.) supports YOLOv3, YOLOv3-SPP, YOLOv4, YOLOv5, YOLOR, YOLOv7Scaled_YOLOv4, TPH-YOLO, SPD-YOLO and custom network model models (YOLOAir (Beta version internal test) has been supported)

Ringkasan Diagram Struktur Model Jaringan Mainstream: Model?

Modul komponen di atas menggunakan kerangka kode model terpadu, formulir tugas terpadu, dan metode aplikasi terpadu. Komponen modul dapat membantu pengguna menyesuaikan dan dengan cepat menggabungkan tulang punggung, leher, dan kepala, diversifikasi model jaringan, membantu penelitian ilmiah meningkatkan algoritma deteksi, dan membangun model jaringan yang lebih kuat.

Catatan: Dukungan fitur utama di atas termasuk versi utama dan versi beta. Beberapa fitur untuk sementara waktu diperbarui hanya dalam beta. Tidak semua pembaruan langsung di Main. Setelah versi beta berikutnya diuji secara internal, mereka secara bertahap ditambahkan ke versi utama.

Dukungan konfigurasi model jaringan bawaan

Termasuk file konfigurasi model berdasarkan berbagai model algoritma seperti Yolov5, Yolov7, Yolox, Yolor, Yolov3, Yolov4, Scaled_yolov4, ppyoloe, ppyoloeplus, Transformer, YOLO-FACEV2, PICODET, YOLOV5-lite, TPH-YOLOV5, SPD-YOLOV5, dll. Dll.

Pratinjau Efek

Deteksi target	Segmentasi target

Klasifikasi Gambar	Segmentasi instan

Segmentasi target	Pelacakan target

Estimasi Postur	Deteksi Wajah

Foto termal 01	Foto termal 02

Bobot pra-pelatihan

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

menggunakan?

Tentang kode. Ikuti prinsip desain YOLOV5.
Versi asli dibuat berdasarkan YOLOV5 (v6.1)

Memasang

Klon Versi Warehouse di Python> = 3.7.0 dan Instal Persyaratan.txt, termasuk Pytorch> = 1.7 .

$ git clone https://github.com/iscyy/yoloair.git  # 克隆
$ cd YOLOAir
$ pip install -r requirements.txt  # 安装

kereta

$ python train.py --data coco128.yaml --cfg configs/yolov5/yolov5s.yaml #默认为yolo

pemikiran

detect.py menjalankan inferensi pada berbagai sumber data dan menyimpan hasil deteksi ke direktori 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  # glob

Fusi

Jika Anda menggunakan model yang berbeda untuk bernalar tentang dataset, Anda dapat menggunakan file wbf.py untuk mengintegrasikan hasil melalui fusi kotak tertimbang. Anda hanya perlu mengatur jalur IMG dan jalur TXT dalam file wbf.py.

$ python wbf.py

Berbagi kertas

FighingCV Saham Akun Resmi Pembaruan Kertas Cutting-Edge setiap hari
(Balas ke akun publik untuk menambahkan grup, tambahkan asisten ke grup pertukaran)

Pertunjukan

Model	ukuran ^(piksel)	peta ^{val 0,5: 0,95}	peta ^{val 0,5}	Kecepatan ^{CPU B1 (MS)}	Kecepatan ^{V100 B1 (MS)}	Kecepatan ^{V100 B32 (MS)}	params ^(M)	Jepit ^{@640 (b)}	Bobot
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

Memperluas

Versi asli dibuat berdasarkan YOLOV5 (6.1)

Model	ukuran ^(piksel)	peta ^{val 0,5: 0,95}	peta ^{val 0,5}	Ukuran kernel deconv	Kecepatan ^{V100 B1 (MS)}	Kecepatan ^{V100 B32 (MS)}	params ^(M)	Jepit ^{@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

Memperluas

Proses pelatihan tergantung pada 4xv100 GPU

 # 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

Ada celah antara peta yolov5s dan yang resmi, ini hanya untuk perbandingan

Model	ukuran ^(piksel)	peta ^{val 0,5: 0,95}	peta ^{val 0,5}	params ^(M)	Jepit ^{@640 (b)}
YOLOV5S	640	37.4	56.6	7.226	16.5
YOLOV5S-DECONV	640	37.8	57.1	7.232	16.5

Memperluas

menguji DeconV 4x4 yang dapat dipisahkan secara mendalam dengan mengatur grup sebagai input_channel
Jumlah param dan kegagalannya hampir sama sedangkan peta model baru sekitar 0,4 lebih tinggi dari asalnya.

Model	ukuran ^(piksel)	peta ^{val 0,5: 0,95}	peta ^{val 0,5}	params ^(M)	Jepit ^{@640 (b)}
YOLOV5S	640	37.2	56.0	7.2	16.5
YOLOV5S-C3GC-BACKBONE	640	37.7	57.3	7.5	16.8

Memperluas

Versi asli dibuat berdasarkan yolov5-6.0

Tutorial Yolov5

Sinkronisasi dengan kerangka YOLOV5

Melatih rekomendasi data khusus
Tips untuk mendapatkan hasil pelatihan terbaik☘️ Direkomendasikan
Rekam Eksperimen Menggunakan Bobot & Bias? Baru
Roboflow: Dataset, tag, dan pembelajaran aktif? Baru
Pelatihan Multi-GPU
Pytorch Hub Baru
Tflite, onnx, coreml, ekspor tenorrt
Test-Time Data Enhancement (TTA)
Integrasi model
Model pemangkasan/sparseness
Evolusi Hyperparameter
Transfer pembelajaran dengan lapisan beku baru
Ringkasan Arsitektur Baru

Peningkatan di masa depan

Di masa depan, kami akan terus membangun dan meningkatkan ekosistem YOLOAIR untuk meningkatkan dan mengintegrasikan lebih banyak model seri YOLOV5, terus menggabungkan modul yang berbeda, membangun model jaringan yang lebih berbeda secara horizontal dan memperkenalkan teknologi terkait, dll.

Kutipan

 @ article { 2022 yoloair ,
  title = {{ YOLOAir }: Makes improvements easy again },
  author = { iscyy },
  repo = { github https : // github . com / iscyy / yoloair },
  year = { 2022 }
}

Penyataan

Memperluas

Konten situs ini hanya untuk berbagi catatan. Jika beberapa konten melanggar, silakan mengirim email.
Jika Anda memiliki pertanyaan, silakan diskusikan dengan saya dengan mengirim email.

Ucapan Terima Kasih

Memperluas

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

Memperluas

Informasi Tambahan

Versi v1.0
Tipe ular piton
Waktu Pembaruan 2025-07-14
ukuran 11.83MB
Berasal dari Github

Aplikasi Terkait

ToDo Co

2025-03-22
Python Portfolio

2024-11-10
datamule python

2024-11-08
Alat bagan data sumber terbuka Redash v24.10.0

2024-11-27
platform visualisasi data smartchart v6.9

2024-11-27
Alat pengujian beban belalang v2.32.0

2024-11-27

Direkomendasikan untuk Anda

chat.petals.dev

Kode sumber lainnya

1.0.0
GPT Prompt Templates

Kode sumber lainnya

1.0.0
GPTyped

Kode sumber lainnya

GPTyped 1.0.5
ToDo Co

ular piton

1.0.0
Python Portfolio

ular piton
datamule python

ular piton
Google Dorks

Kode sumber lainnya

1.0
shepherd

Kode sumber lainnya

v6.1.6-react-shepherd: Prepare Release (#3063)
mongo express

Kode sumber lainnya

v1.1.0-rc-3

Informasi Terkait Semua