nanodet 다운로드 - nanodet 소스 코드 다운로드

nanodet

파이썬

v1.0.0

다운로드

나노 렛 플러스

매우 빠르고 높은 정확도 가벼운 앵커가없는 객체 감지 모델. 모바일 장치에서 실시간.

Super Lightweight : 모델 파일은 980KB (int8) 또는 1.8MB (FP16)에 불과합니다.
Super Fast : Mobile Arm CPU의 97fps (10.23ms).
? 높은 정확도 : 최대 34.3 MAP ^VAL @0.5 : 0.95 및 CPU의 실시간.
? 훈련 친화적 : 다른 모델보다 GPU 메모리 비용이 훨씬 낮습니다. Batch-Size = 80은 GTX1060 6G에서 사용할 수 있습니다.
쉽게 배포 할 수 있습니다 : NCNN, MNN 및 OpenVino를 포함한 다양한 백엔드를 지원합니다. 또한 NCNN 추론 프레임 워크를 기반으로 Android 데모를 제공하십시오.

소개

Nanodet은 일반화 된 초점 손실을 분류 및 회귀 손실로 사용하는 FCOS 스타일의 1 단계 앵커가없는 객체 감지 모델입니다.

Nanodet-Plus에서는 간단한 지정 지침 모듈 (AGM) 과 동적 소프트 레이블 할당자 (DSLA) 가있는 새로운 레이블 할당 전략을 제안하여 경량 모델 교육에서 최적의 레이블 할당 문제를 해결합니다. 또한 다층 기능 퓨전을 향상시키기 위해 Ghost-Pan이라는 가벼운 기능 피라미드를 소개합니다. 이러한 개선 사항은 Coco 데이터 세트에서 이전 Nanodet의 탐지 정확도를 7 맵 으로 향상시킵니다.

나노 렛 플러스 知乎中文介绍

나노 렛 知乎中文介绍

QQ 交流群： 908606542 (答案：炼丹)

벤치 마크

모델	해결	지도 ^{발 0.5 : 0.95}	CPU 대기 시간 ^(i7-8700)	팔 대기 시간 ^(4xa76)	플롭	매개 변수	모델 크기
나노 렛 -M	320*320	20.6	4.98ms	10.23ms	0.72g	0.95m	1.8MB (FP16) \| 980KB (int8)
나노 렛 -Plus-M	320*320	27.0	5.25ms	11.97ms	0.9g	1.17m	2.3MB (FP16) \| 1.2MB (int8)
나노 렛 -Plus-M	416*416	30.4	8.32ms	19.77ms	1.52G	1.17m	2.3MB (FP16) \| 1.2MB (int8)
나노 렛 -Plus-M-1.5x	320*320	29.9	7.21ms	15.90ms	1.75g	2.44m	4.7MB (FP16) \| 2.3MB (int8)
나노 렛 -Plus-M-1.5x	416*416	34.1	11.50ms	25.49ms	2.97g	2.44m	4.7MB (FP16) \| 2.3MB (int8)
Yolov3-Tiny	416*416	16.6	-	37.6ms	5.62G	8.86m	33.7MB
Yolov4-Tiny	416*416	21.7	-	32.81ms	6.96g	6.06m	23.0MB
yolox-nano	416*416	25.8	-	23.08ms	1.08g	0.91m	1.8MB (FP16)
yolov5-n	640*640	28.4	-	44.39ms	4.5g	1.9m	3.8MB (FP16)
fbnetv5	320*640	30.4	-	-	1.8g	-	-
Mobiledet	320*320	25.6	-	-	0.9g	-	-

미리 훈련 된 모델을 다운로드하고 모델 동물원 또는 릴리스 파일에서 더 많은 모델을 찾으십시오.

메모 (클릭하여 확장)

ARM 성능은 NCNN을 기준으로 Kirin 980 (4xA76+4XA55) ARM CPU에서 측정됩니다. ncnn_android_benchmark로 휴대 전화에서 대기 시간을 테스트 할 수 있습니다.
인텔 CPU 성능은 OpenVino를 기반으로 Intel Core-I7-8700으로 측정됩니다.
Nanodet Map (0.5 : 0.95)은 테스트 시간 확대없이 Coco Val2017 데이터 세트에서 검증됩니다.
YOLOV3 & YOLOV4 맵은 Scaled-Nolov4 : Scaling Cross Stage 부분 네트워크를 나타냅니다.

소식!!!

[2023.01.20] Pytorch-Lightning-1.9로 업그레이드. 최소 Pytorch 버전은 1.10으로 업그레이드됩니다. FP16 교육을 지원합니다 (감사합니다 @Crisp-Snakey.). 지원 라벨을 무시하십시오 ( @zero0kiriyu 감사합니다).
[2022.08.26] Pytorch-Lightning-1.7로 업그레이드. 최소 Pytorch 버전은 1.9로 업그레이드됩니다. Pytorch의 이전 버전을 사용하려면 Nanodet <= v1.0.0-alpha-1을 설치하십시오.
[2021.12.25] Nanodet-plus 릴리스! AGM (Guidance Module 할당) 및 DSLA (동적 소프트 레이블 할당자) 추가하여 비용이 적은 비용으로 7 맵을 개선합니다.

업데이트 메모에서 더 많은 업데이트 메모를 찾으십시오.

데모

안드로이드 데모

Android_demo

Android 데모 프로젝트는 demo_android_ncnn 폴더에 있습니다. Android 데모 가이드를 참조하십시오.

다음은 더 나은 구현 NCNN-Android-Nanodet입니다

NCNN C ++ 데모

NCNN을 기반으로 한 C ++ 데모는 DEMO_NCNN 폴더에 있습니다. CPP 데모 안내서를 참조하십시오.

MNN 데모

Alibaba의 MNN 프레임 워크를 사용한 추론은 DEMO_MNN 폴더에 있습니다. MNN 데모 가이드를 참조하십시오.

OpenVino 데모

OpenVino를 사용한 추론은 demo_openvino 폴더에 있습니다. OpenVino 데모 가이드를 참조하십시오.

웹 브라우저 데모

https://nihui.github.io/ncnn-webassembly-nanodet/

Pytorch 데모

먼저, 요구 사항을 설치하고 설치 안내서를 따라 Nanodet을 설정하십시오. 그런 다음 여기에서 Coco Pretrain 무게를 다운로드하십시오

코코 프리 트레인 체크 포인트

사전 훈련 된 중량은 구성 config/nanodet-plus-m_416.yml 에 의해 교육되었습니다.

추론 이미지

python demo/demo.py image --config CONFIG_PATH --model MODEL_PATH --path IMAGE_PATH

추론 비디오

python demo/demo.py video --config CONFIG_PATH --model MODEL_PATH --path VIDEO_PATH

추론 웹캠

python demo/demo.py webcam --config CONFIG_PATH --model MODEL_PATH --camid YOUR_CAMERA_ID

게다가, 우리는 Pytorch와 함께 작동하는 방법을 보여주는 노트북을 제공합니다.

설치하다

요구 사항

리눅스 또는 마코
cuda> = 10.2
파이썬> = 3.7
Pytorch> = 1.10.0, <2.0.0

단계

콘다 가상 환경을 만들고 활성화하십시오.

 conda create -n nanodet python=3.8 -y
 conda activate nanodet

Pytorch를 설치하십시오

conda install pytorch torchvision cudatoolkit=11.1 -c pytorch -c conda-forge

이 저장소를 복제하십시오

git clone https://github.com/RangiLyu/nanodet.git
cd nanodet

요구 사항을 설치하십시오

pip install -r requirements.txt

Nanodet을 설정합니다

python setup.py develop

모델 동물원

Nanodet은 다양한 백본을 지원합니다. 샘플 교육 구성 파일을 보려면 구성 폴더로 이동하십시오.

모델	등뼈	해결	코코 맵	플롭	매개 변수	사전 훈련 중량
나노 렛 -M	Shufflenetv2 1.0x	320*320	20.6	0.72g	0.95m	다운로드
나노 렛 -Plus-M-320 ( 신규 )	Shufflenetv2 1.0x	320*320	27.0	0.9g	1.17m	무게 \| 검문소
Nanodet-Plus-M-416 ( 신규 )	Shufflenetv2 1.0x	416*416	30.4	1.52G	1.17m	무게 \| 검문소
Nanodet-plus-m-1.5x-320 ( 신규 )	Shufflenetv2 1.5x	320*320	29.9	1.75g	2.44m	무게 \| 검문소
Nanodet-plus-m-1.5x-416 ( 신규 )	Shufflenetv2 1.5x	416*416	34.1	2.97g	2.44m	무게 \| 검문소

통지 : Weight 와 Checkpoint 의 차이는 무게 만 추론 시간에 매개 변수를 제공하지만 검사 점에는 훈련 시간 매개 변수가 포함되어 있습니다.

레거시 모델 동물원

모델	등뼈	해결	코코 맵	플롭	매개 변수	사전 훈련 중량
나노 데트 M-416	Shufflenetv2 1.0x	416*416	23.5	1.2g	0.95m	다운로드
나노 데트 M-1.5x	Shufflenetv2 1.5x	320*320	23.5	1.44g	2.08m	다운로드
Nanodet-M-1.5x-416	Shufflenetv2 1.5x	416*416	26.8	2.42G	2.08m	다운로드
나노 데트 M-0.5x	Shufflenetv2 0.5x	320*320	13.5	0.3g	0.28m	다운로드
나노 렛 -T	Shufflenetv2 1.0x	320*320	21.7	0.96g	1.36m	다운로드
나노 렛 -g	맞춤형 CSP NET	416*416	22.9	4.2g	3.81m	다운로드
나노 렛 효율성	효율적인 NET-LITE0	320*320	24.7	1.72g	3.11m	다운로드
나노 렛 효율성	효율적인 NET-LITE1	416*416	30.3	4.06g	4.01m	다운로드
나노 렛 효율성	효율적인 NET-LITE2	512*512	32.6	7.12g	4.71m	다운로드
Nanodet-Repvgg	repvgg-a0	416*416	27.8	11.3g	6.75m	다운로드

훈련하는 방법

데이터 세트를 준비하십시오
데이터 세트 주석이 Pascal Voc XML 형식 인 경우 config/nanodet_custom_xml_dataset.yml을 참조하십시오.
그렇지 않으면, 데이터 세트 주석이 Yolo Format (DarkNet Txt) 인 경우 config/nanodet-plus-m_416-yolo.yml을 참조하십시오.
또는 데이터 세트 주석을 MS Coco 형식으로 변환합니다 (Coco Annotation 형식 세부 사항).
구성 파일을 준비하십시오
구성/ 폴더에서 예제 YML 구성 파일을 복사하여 수정하십시오.
Save_dir를 모델을 저장하려는 곳으로 변경하십시오.
Model-> Arch-> 헤드 에서 Num_classes를 변경하십시오.
데이터-> 트레인 및 데이터-> val 에서 이미지 경로 및 주석 경로를 변경하십시오.
장치 에 GPU ID, Num Workers 및 Batch Size를 설정하십시오.
데이터 세트 및 배치 크기에 따라 Total_epochs , LR 및 LR_SCHEDULE을 설정하십시오.
네트워크, 데이터 증강 또는 기타 사항을 수정하려면 구성 파일 세부 사항을 참조하십시오.
훈련을 시작하십시오
Nanodet은 이제 훈련을 위해 Pytorch Lightning을 사용하고 있습니다.
단일 GPU 또는 다중 GPU의 경우 실행 :
```
python tools/train.py CONFIG_FILE_PATH
```
로그를 시각화합니다
Tensorboard 로그는 구성 파일에서 설정 한 save_dir 에 저장됩니다.
텐서 보드 로그를 시각화하려면 실행하십시오.
```
 cd < YOUR_SAVE_DIR >
tensorboard --logdir ./
```

배포하는 방법

Nanodet은 NCNN, OpenVino 및 MNN을 포함한 다중 백 커드 C ++ 데모를 제공합니다. NCNN 라이브러리를 기반으로 한 Android 데모도 있습니다.

ONNX로 수출 모델

Nanodet Pytorch 모델을 NCNN으로 변환하려면이 방법을 선택할 수 있습니다 : Pytorch-> Onnx-> NCNN

Onnx 모델을 내보내려면 tools/export_onnx.py 실행하십시오.

python tools/export_onnx.py --cfg_path ${CONFIG_PATH} --model_path ${PYTORCH_MODEL_PATH}

추론 라이브러리와 함께 C ++에서 Nanodet을 실행하십시오

NCNN

Demo_ncnn을 참조하십시오.

OpenVino

demo_openvino를 참조하십시오.

MNN

demo_mnn을 참조하십시오.

Android에서 Nanodet을 실행하십시오

Android_demo를 참조하십시오.

소환

이 프로젝트가 연구에 유용하다고 생각되면 인용을 고려하십시오.

 @misc { =nanodet ,
    title = { NanoDet-Plus: Super fast and high accuracy lightweight anchor-free object detection model. } ,
    author = { RangiLyu } ,
    howpublished = { url{https://github.com/RangiLyu/nanodet} } ,
    year = { 2021 }
}