EasyCV

EasyCv

Английский | 简体中文

Введение

EASYCV-это инструмент для компьютерного зрения все в одном, основанный на Pytorch, в основном фокусируется на самоотверженном обучении, моделях на основе трансформаторов и основных задачах CV, включая классификацию изображений, метрическое обучение, обнаружение объектов, оценку позы и так далее.

Основные особенности

• SOTA SSL Алгоритмы

  EasyCV предоставляет современные алгоритмы в самоподдерживаемом обучении, основанном на контрастном обучении, таком как SIMCLR, Moco V2, SWAV, DINO, а также MAE, основанный на моделировании изображения в масках. Мы также предоставляем стандартные инструменты сравнительного анализа для оценки модели SSL.

• Видение трансформаторы

  EASYCV стремится обеспечить простой способ использовать готовые модели SOTA Transformer, обученные либо с использованием контролируемого обучения, либо самоотверженного обучения, таких как VIT, SWIN Transformer и DETR-ряд. В будущем будет добавлено больше моделей. Кроме того, мы поддерживаем все предварительные модели из Тимма.

• Функциональность и расширяемость

  В дополнение к SSL, EASYCV также поддерживает классификацию изображений, обнаружение объектов, обучение метрики, и в будущем будет поддержано больше областей. Несмотря на то, что EASYCV охватывает различные области, разлагает структуру на различные компоненты, такие как набор данных, модель и запуск крючка, что позволяет легко добавлять новые компоненты и объединять его с существующими модулями.

  EasyCV предоставляет простой и комплексный интерфейс для вывода. Кроме того, все модели поддерживаются на PAI-EAS, которые могут быть легко развернуты в качестве онлайн-сервиса и поддержки автоматического масштабирования и мониторинга услуг.

• Эффективность

  EASYCV поддерживает обучение с несколькими GPU и несколькими работниками. EASYCV использует DALI для ускорения данных IO и процесса предварительной обработки и использует Torchaccelerator и FP16 для ускорения обучения. Для оптимизации вывода модель экспорта EASYCV с использованием сценария JIT, который может быть оптимизирован Pai-Blade

Что нового

[2023.05.09]

• 09/05/2023 EASYCV v0.11.0 был выпущен.

• Поддержите EASYCV как плагин для [ModelCope] (https://github.com/modelscope/modelscope.

[2023.03.06]

• 06/03/2023 EASYCV V0.10.0 был выпущен.

• Добавить модель сегментации STDC
• Добавить модель распознавания видео на основе скелета STGCN
• Поддержка Рейда и Multi-Len Mot

[2023.01.17]

• 17/01/2023 EASYCV V0.9.0 был выпущен.

• Поддержка одностроения MOT
• Поддержка распознавания видео (X3D, Suin-Video)

[2022.12.02]

• 12/12/2022 EasyCV V0.8.0 был выпущен.

• NDS Bevformer Base увеличился на 0,8 на Nuscenes Val, скорость тренировок увеличилась на 10%, а скорость вывода увеличилась на 40%.
• Поддержка Objects365 Предварительный размер и добавление модели DINO ++ может достичь точности 63,4P в масштабе моделей 200 м (под одной и той же шкалой точность является лучшей).

[2022.08.31] Мы выпустили наш Yolox-Pai, который достигает результатов SOTA в пределах 40 ~ 50 карт (менее 1 мс). И мы также предоставляем удобный и быстрый API экспорта/предиктора для обнаружения объектов End2end. Чтобы получить быстрое начало Yolox-Pai, нажмите здесь!

• 31/08/2022 EASYCV v0.6.0 был выпущен.
  • Выпустить Yolox-Pai, который достигает результатов SOTA в пределах 40 ~ 50 карт (менее 1 мс)
  • Добавить обнаружение algo dino, которая достигает 58,5 карты на Coco
  • Добавить mask2former algo
  • Выпускает ImageNet1k, ImageNet22K, Coco, LVIS, VOC2012 с Baidudisk для ускорения загрузки

Пожалуйста, обратитесь к изменению_LOG.MD для получения более подробной информации и истории.

Технические статьи

У нас есть серия технических статей о функциональных возможностях EASYCV.

• EasyCv 开源｜开箱即用的视觉自监督+Трансформатор 算法库
• Мэй 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-detr ， объектный запрос 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

Установка

Пожалуйста, обратитесь к разделу установки в Quick_start.md для установки.

Начните

Пожалуйста, обратитесь к Quick_start.md для быстрого начала. Мы также предоставляем учебные пособия для большего использования.

• самоотверженное обучение
• Классификация изображений
• Метрическое обучение
• Обнаружение объекта с помощью Yolox-Pai
• сжатие модели с помощью желтока
• Использование TORCHACC
• Файл io для локальных и OSS -файлов
• Использование модели MMDetection в EASYCV
• Пакетные инструменты прогнозирования

блокнот

• самоотверженное обучение
• Классификация изображений
• Обнаружение объекта с помощью Yolox-Pai
• Метрическое обучение

Модельный зоопарк

Архитектуры

Самоотверженное обучение	Классификация изображений	Обнаружение объекта	Сегментация	Обнаружение объекта 3d
Byol (Neurips'2020) Дино (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) Effectiformer (arxiv'2022) Deit (ICML'2021) Xcit (arxiv'2021) Tnt (Neurips'2021) Convit (arxiv'2021) Кейт (ICCV'2021) Левит (ICCV'2021) Urvnext (CVPR'2022) Resmlp (arxiv'2021) Пальто (ICCV'2021) Convmixer (ICLR'2022) MLP-Mixer (arxiv'2021) Гнездо (aaai'2022) Яма (arxiv'2021) Близнецы (Neurips'2021) Шатфельный трансформатор (arxiv'2021) Deit III (ECCV'2022) Hydra внимание (2022)	FCOS (ICCV'2019) Yolox (arxiv'2021) Yolox-pai (arxiv'2022) Detr (Eccv'2020) Dab-detr (iClr'2022) DN-DETR (CVPR'2022) Дино (arxiv'2022)	Сегментация экземпляра Маска R-CNN (ICCV'2017) Vitdet (arxiv'2022) Mask2former (CVPR'2022) Семантическая сегментация FCN (CVPR'2015) Upernet (Eccv'2018) Паноптическая сегментация Mask2former (CVPR'2022)	Bevformer (eccv'2022)

Пожалуйста, обратитесь к следующему зоопарку для более подробной информации.

• самоотверженная модель обучения зоопарк
• Классификационная модель зоопарк
• Обнаружение модели зоопарка
• Обнаружение 3D модель зоопарка
• Сегментация модель зоопарка
• Поз -модель зоопарка

Центр данных

EASYCV собрала информацию о наборах данных для различных сценариев, что позволяет пользователям легко или оценивать модели в зоопарке EASYCV.

Пожалуйста, обратитесь к data_hub.md.

Лицензия

Этот проект лицензирован по лицензии Apache (версия 2.0). Этот инструментарий также содержит различные сторонние компоненты и некоторые код, измененные из других репо, по другим лицензиям с открытым исходным кодом. См. Файл уведомления для получения дополнительной информации.

Контакт

Этот репо в настоящее время поддерживается командой PAI-CV, вы можете связаться с нами

• Номер группы Dingding: 41783266
• Электронная почта: [email protected]

Служба предприятия

Если вам нужна поддержка услуг EASYCV Enterprise или приобрести услуги облачных продуктов, вы можете связаться с нами с помощью Dingding Group.