mmyolo
v0.6.0
Документация | Установка | ? Модель зоопарка | ? Обновить новости | ? Проблемы отчетности
Английский | 简体中文
? v0.6.0 был выпущен 15/8/2023:
Для получения истории выпуска и обновления, пожалуйста, обратитесь к Changelog.
Мы рады объявить о нашей последней работе по задачам распознавания объектов в реальном времени, RTMDET , семействе полностью сверточных одностадийных детекторов. RTMDET не только достигает наилучшего компромисса-параметров и точечности при обнаружении объектов от крошечного до лишних размеров модели, но также обеспечивает новые современные характеристики для сегментации экземпляра и повернутых задач обнаружения объектов. Подробности можно найти в техническом отчете. Предварительно обученные модели здесь.
| Задача | Набор данных | Доступа | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Обнаружение объекта | Коко | 52,8 | 322 |
| Сегментация экземпляра | Коко | 44,6 | 188 |
| Объяснение повернутого объекта | Дота | 78.9 (одномасштабное) /81.3 (многомасштабное) | 121 |
MMYOLO в настоящее время реализует алгоритм обнаружения объектов и повернутого объекта, но имеет значительное ускорение обучения по сравнению с версией MMDeteCiton. Скорость обучения в 2,6 раза быстрее, чем предыдущая версия.
MMYOLO - это набор инструментов с открытым исходным кодом для алгоритмов серии YOLO, основанных на Pytorch и MMDetection. Это часть проекта OpenMMLAB.
Главная ветвь работает с Pytorch 1.6+ . 
? ️ единый и удобный эталон
MMYOLO объединяет реализацию модулей в различных алгоритмах YOLO и предоставляет унифицированный эталон. Пользователи могут сравнивать и анализировать справедливым и удобным образом.
Богатая и подробная документация
MMYOLO предоставляет богатую документацию для начала работы, развертывания моделей, расширенного использования и анализа алгоритмов, что позволяет пользователям на разных уровнях легко начинать и делать расширения.
? Модульный дизайн
MMYOLO разлагает структуру на различные компоненты, где пользователи могут легко настроить модель, объединяя различные модули с различными стратегиями обучения и тестирования.
Рисунок выше вносит вклад в диапазон@github, большое спасибо!И фигура модели P6 находится в модели_design.md.
Mmyolo полагается на Pytorch, MMCV, MMENGINE и MMDETECTION. Ниже приведены быстрые шаги для установки. Пожалуйста, обратитесь к руководству по установке для более подробных инструкций.
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 основан на MMDetection и принимает ту же подход и проектирование кода. Чтобы лучше использовать это, прочитайте обзор MMDetection для первого понимания MMDetection.
Использование MMYOLO почти идентично MMDetection, и все учебники просты в использовании, вы также можете узнать о Руководстве пользователей MMDetection и расширенном руководстве.
Для различных частей, от MMDetection, мы также подготовили руководства по пользователям и расширенным гидам, прочитайте нашу документацию.
Результаты и модели доступны в модельном зоопарке.
| Альпи | Шейки | Потеря | Общий |
|
|
|
Пожалуйста, обратитесь к часто задаваемым вопросам для часто задаваемых вопросов.
Мы ценим все вклад в улучшение MMYOLO. Текущие проекты можно найти в наших проектах GitHub. Приветствую пользователей сообщества участвовать в этих проектах. Пожалуйста, обратитесь к Anforming.md для руководства.
MMYOLO - это проект с открытым исходным кодом, который вносится исследователи и инженеры из различных колледжей и компаний. Мы ценим всех участников, которые реализуют свои методы или добавляют новые функции, а также пользователей, которые дают ценные отзывы. Мы желаем, чтобы инструментальный ящик и эталон могли обслуживать растущее исследовательское сообщество, предоставив гибкий инструментарий для повторного внедрения существующих методов и разработки собственных новых детекторов.
Если вы найдете этот проект полезным в своем исследовании, рассмотрите возможность ссылаться:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}Этот проект выпущен по лицензии GPL 3.0.
