mmyolo
v0.6.0
Documentação | Instalação | ? Model zoo | ? Atualizar notícias | ? Problemas de relatório
Inglês | 简体中文
? V0.6.0 foi lançado em 15/8/2023:
Para obter o histórico de lançamento e os detalhes da atualização, consulte o Changelog.
Estamos entusiasmados em anunciar nosso trabalho mais recente sobre tarefas de reconhecimento de objetos em tempo real, RTMDET , uma família de detectores de estágio único totalmente convolucionais. O RTMDET não apenas atinge a melhor troca de precisão de parâmetro na detecção de objetos de tamanhos de modelo minúsculo para extra-grande, mas também obtém um novo desempenho de última geração na segmentação de instância e nas tarefas de detecção de objetos rotacionados. Os detalhes podem ser encontrados no relatório técnico. Modelos pré-treinados estão aqui.
| Tarefa | Conjunto de dados | AP | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Detecção de objetos | COCO | 52.8 | 322 |
| Segmentação da instância | COCO | 44.6 | 188 |
| Detecção de objeto rotacionado | Dota | 78.9 (em escala única) /81.3 (multi-escala) | 121 |
Atualmente, o MMYOLO implementa o algoritmo de detecção de objetos e detecção de objetos, mas possui uma aceleração de treinamento significativa em comparação com a versão MMDETECITON. A velocidade de treinamento é 2,6 vezes mais rápida que a versão anterior.
O MMYOLO é uma caixa de ferramentas de código aberto para algoritmos da série YOLO com base na Pytorch e MmDetection. Faz parte do projeto OpenMmlab.
A filial principal trabalha com Pytorch 1.6+ . 
? ️ Unificado e conveniente referência
O MMYOLO unifica a implementação de módulos em vários algoritmos YOLO e fornece uma referência unificada. Os usuários podem comparar e analisar de uma maneira justa e conveniente.
Documentação rica e detalhada
O MMYOLO fornece uma documentação rica para começar, implantação de modelos, usos avançados e análise de algoritmo, facilitando os usuários em diferentes níveis para começar e fazer extensões rapidamente.
? Design modular
O MMYOLO decompõe a estrutura em diferentes componentes, onde os usuários podem personalizar facilmente um modelo combinando diferentes módulos com várias estratégias de treinamento e teste.
A figura acima é contribuída pelo RangeKing@Github, muito obrigado!E a figura do modelo P6 está no modelo_design.md.
Mmyolo conta com pytorch, mmcv, mmengine e mmdetecção. Abaixo estão as etapas rápidas para instalação. Consulte o guia de instalação para obter instruções mais detalhadas.
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 . O MMYOLO é baseado na mmDetection e adota a mesma estrutura de código e abordagem de design. Para obter melhor uso disso, leia a visão geral do MMDETECTION para o primeiro entendimento da mmDetecção.
O uso do MMYOLO é quase idêntico à mmDetection e todos os tutoriais são simples de usar, você também pode aprender sobre o guia do usuário do MMDETECTion e o guia avançado.
Para peças diferentes da mmDetection, também preparamos guias de usuário e guias avançados, leia nossa documentação.
Resultados e modelos estão disponíveis no zoológico do modelo.
| Backbones | Pescoço | Perda | Comum |
|
|
|
Consulte o FAQ para obter perguntas frequentes.
Agradecemos todas as contribuições para melhorar o MMYOLO. Projetos em andamento podem ser encontrados em nossos projetos do GitHub. Bem -vindo aos usuários da comunidade para participar desses projetos. Consulte Contribuindo.md para obter a diretriz contribuinte.
O MMYOLO é um projeto de código aberto que é contribuído por pesquisadores e engenheiros de várias faculdades e empresas. Agradecemos todos os colaboradores que implementam seus métodos ou adicionam novos recursos, bem como usuários que fornecem feedback valioso. Desejamos que a caixa de ferramentas e a referência possam servir à crescente comunidade de pesquisa, fornecendo um kit de ferramentas flexível para reimplementar os métodos existentes e desenvolver seus novos detectores.
Se você achar este projeto útil em sua pesquisa, considere citar:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}Este projeto é divulgado sob a licença GPL 3.0.
