Загрузка yoloair - загрузка исходного кода yoloair

yoloair

Питон

v1.0

Скачать

Yolov5, Yolov7, Yolov8 Model 2024/Full Series/Последние методы улучшения

Улучшенные статьи в колонке улучшения серии книг Mango

Адрес столбца: Эксклюзивный первый столбец по всей сети "Mango Yolov8 Учебное пособие по улучшению"?

Адрес столбца: Эксклюзивный первый столбец по всей сети "Mango Yolov5 Учебное пособие по улучшению"?

Адрес столбца: Эксклюзивный первый столбец по всей сети "Mango Yolov7 Учебное пособие по улучшению"?

Новый проект UltralalyticSpro наступает

Адрес проекта: https://github.com/iscyy/ultralyticspro

Сосредоточьтесь на улучшениях Yolov8, New - Yolov8 в Pytorch>, поддержку для улучшения основы, шеи, головы, потери, IOU, LA, NMS и других модулей упрощает улучшения Yolov8 легкими снова

? Новый проект Ultralalyticspro ultralyticspro yoltrov8, последние точки улучшения обновляются в 2024 году.

1. Улучшение бесплатного контента Yolov8 <br> Этот проект продолжит обновлять некоторые бесплатные точки улучшения, которые будут обновляться каждую неделю

3.22 Обновление: механизм внимания: Ultralytics/CFG/Model

GAM внимания механизм,
SA механизм внимания,
Механизм внимания симама,
SK внимания механизм,
Механизм внимания SOCA,
Механизм внимания CBAM,

3.23 Обновление: Структура пирамиды: Ультралитика/CFG/Models/CFG2024/YOLOV8-пирамида Улучшение структуры

Sppelan,
Simsppf,
Basicrfb,
Aspp,
SPPFCSPC

Для получения дополнительных обновлений нажмите: https://github.com/iscyy/ultralyticspro

? Новая версия Yoloair2024 появится, последние баллы улучшения обновляются в 2024 году

Обновление проекта Yolov5

2024.03

Добавлены Dysample Upsampling Точки улучшения: ICCV2023 Бумага: Dysample Apsampling Улучшения

Yolo air: снова облегчает улучшения

Yoloair - это библиотека алгоритма YOLO, основанная на Pytorch. Создайте структуру кода модели, унифицированное приложение, унифицированное улучшение, легкое комбинацию модулей и создайте более мощную сетевую модель.

Упрощенный китайский | Английский

поддерживать

Особенности • Использовать? • Документ? • Сообщить о проблеме? • Обновлять? • Обсуждение
• Методы и ссылки на улучшение YOLO •

Введение

Диверсификация модели : различные сетевые модели обнаружения построены на основе различных сетевых модулей.

Модульная компонента : помогает пользователям настраивать и быстро комбинировать основу, шею и голову, диверсифицировать сетевые модели, помогает научным исследованиям улучшить алгоритмы обнаружения, улучшения модели и комбинации сетевых расположений. Создайте мощную сетевую модель.

Создайте структуру кода модели, единичные методы применения, единую корректировку параметров, унифицированное улучшение, интегрированные многозадачные задачи, комбинация легких модулей и создать более мощную сетевую модель .

Встроенные интегрированные модельные сетевые структуры, такие как Yolov5, Yolov7, Yolov6, Yolox, Yolor, Transformer, PP-Yolo, PP-YOLOV2, PP-YOLOE, PP-Yoloeplus, Scaled_yolov4, Yolov3, Yolov4, Yolo-Face, Tph-yolo, SpdoLo, SpdoLo, SpdoLo, SpdoLo, SpdoLo, SpdoLo, SpdoLo, SpdoLo, SpdoLo, SpdoLo, SpdoLo-yolo, yilo-face, tph-yolo. и другие модели ... интегрируют различные алгоритмы обнаружения и связанные с ним модели с несколькими заданиями, используя единый код модели, интегрированные в библиотеку Yoloair, и единые методы применения . Для научных исследователей удобно улучшать модели бумажных алгоритмов, сравнить модели и реализовать диверсификацию сетевых комбинаций. Он включает в себя легкие модели и более высокие модели точности, и разумно выбирает в соответствии с сценой для достижения баланса между точностью и скоростью. В то же время библиотека поддерживает развязку различных структур и компонентов модулей для создания компонентов модуля. Комбинируя различные компоненты модуля, пользователи могут настраивать и создавать различные модели обнаружения на основе различных наборов данных или различных бизнес -сценариев.

Поддерживает интегрированную многозадачность, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы, обнаружение лица, отслеживание целей и другие задачи

Звезда? и Форк не потеряется и обновит одновременно.

Адрес проекта?: Https://github.com/iscyy/yoloair

Некоторые учебники по инструкциям по улучшению?

? Бета поддерживает обновления

Следующие функции поддерживаются для внутреннего тестирования версии бета-бета-holoair

Другие функции?

? Делать

Поддерживает многозадачи, включая обнаружение объектов, классификацию, сегментацию, оценку позы, обнаружение лица, отслеживание целей и другие задачи

Основные особенности

Поддержать больше улучшений в модели алгоритма серии YOLO (постоянно обновляется ...)

Библиотека алгоритмов Yoloair суммирует различные модели обнаружения серий yOlo, а набор кода интегрирует несколько моделей:

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, Структура сети моделей Slimneck-yolo, структура сети Yolov5-Lite модели, структура сети моделей Picodet и т. Д. Постоянно обновляются ...

Поддерживать больше компонентов сетевой модели

Как таблица

Компоненты конструкционного модуля Yoloair

Альпи	Шейки	Голова
Серия CSPDARKNet Серия Хорнета Серия Resnet Серия Regnet Shufflenet Series Серия Spenknet Серия Mobilenet Серия EfficeNet SUNSNEXT SERY Призрак серии Серия Repvgg серия трансформаторов	Панель Репан Bifpn CSPPAN Слимнек Эланпан GSNeck	Yolov4head Yolov5head YOlov6 эффективная отделенная голова Yolov7 Yolov7 Iauxdetect Head Yolox Detectx Head Адаптивная пространственная функция обнаружения слияния и голова Asff Head Йолор неявный обучение головы Эх-голова Двойная весовая голова FCOS HEAD Динамическая голова ...

Компоненты модуля YOLOAIR

Механизм внимания	Стратегия назначения тегов	Функция потери
Самое внимание Контекстуальный трансформатор Узкое трансформатор S2-MLP Внимание Аксиализиация Данет DoubleatTuence GlobalContextBlock Парнат Поляризованное самостоятельное увлечение SpatialGroupEnhance Copy Триплета СК Внимание CBAM Внимание SE Внимание Координировать внимание Нам внимание ГАМ ВНИМАНИЕ ЭКА ВНИМАНИЕ Перетасовать внимание Пересекающаяся Сообщение СИМАМ ВНИМАНИЕ Пересекающаяся	Многоцелевая стратегия Политика распределения тегов Yolov5 Политика распределения тегов Simota Стратегия распределения тегов Yolov7 Политика распределения тегов Freeanchor Политика назначения тегов AutoAssign Политика распределения двойного веса Вероятное назначение якоря Другие улучшенные стратегии распределения тегов	Ciou Диу Giou Eiou Siou альфа iou ...

Компоненты модуля

Потеря	Нс	Улучшение данных
Computeloss (v3) Computeloss (v4) Computeloss (V5) Computeloss (V6) Computeloss (x) ComputElossauxota (V7) Computelossota (V7)	Нс Merge-NMS Soft-NMS Ciou_nms Diou_nms Giou_nms Eiou_nms Siou_nms Soft-Siounms Мягкие Ciounms Мягкие диоунмы Soft-EIOUNMS Мягкие Giounms Simsppf Simsppf Simsppf	Мозаика Копировать вставку Случайная аффинная (вращение, масштаб, перевод и сдвиг) Смешивание HSV Случайный горизонтальный флип ...

Компоненты модуля YOLOAIR

Космическая пирамида	Модульные компоненты	Якорь / якорь
Спп SPPF Аспп RFB Sppcspc SPPFCSPC Simsppf	Conv, GhostConv, узкое место, Ghostbottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv, Wotenleneckcsp, C3, C3TR, C3SPP, C3HOST, C3HB, C3RFEM, Multiseam, Seam, SPPCSPC, Repconv, BOT3, Air, CAM, CAM, CAM, CAM, CAM, CAM, CAM, CAM, CAM, CAM. Rescspc, Rescspb, Resxcspb, Resxcspc, Wotenleneckcspb, Wotenleneckcspc, ASPP, BasicRFB, SPPCSPC_GROUP, Horblock, CNEB, C3GC, C3C2, NN.ConvTrans2D, DWConvblock, Repvggblock, COTS3, SPPPCPOCP, SPPPCPOCP, SPPPCPOC Удобное место, Downc, узкий рост	Yolov5, Yolov7, Yolov3, Yolov4, Yolor, Scaledyolov4, Ppyolo, Pppyolov2, улучшен Yolov5, улучшенный yolov7 Yolox, Yolov6 (Paper), Pppyoloe, Pppyoloe+ ...

Поддержите больше костяка

Серия CSPDARKNet
Серия Хорнета
Серия Resnet
Серия Regnet
Shufflenet Series
Призрак серии
Серия Mobilenet
Серия EfficeNet
SUNSNEXT SERY
Серия Spenknet
Серия репараметризма
Серия Repvgg
Серия Repmlp
Серия ACNet
Серия Repconv
Серия Orepa
Серия Mobalone
Серия трансформаторов самостоятельно придерживается
Серия мобильныхвит
Ботнет-трансфумрер
Cotnet-Transfomrer
SWIN-TRANSFOMRER
SUN-TRANSFOMRER (V2)
А другие транс -серии постоянно обновляются? ПРИМЕЧАНИЕ. (Yoloair (Beta) завершила обновление более 20 сетей серии трансформаторов, нескольких сетей MLP и большинства репараметризованных структурных сетей моделей)

Поддержите больше шеи

FPN
Панель
Репан
Bifpn
CSPPAN
Слимнек
Эланпан
Непрерывно обновляется?

Поддерживать больше головок обнаружения

Yolov4, головка обнаружения головы Yolov5;
Йолор косвенно изучает головку обнаружения головы;
Отдельная головка обнаруженной головки Yolox и обнаружена головы;
Адаптивная пространственная функция обнаружения слияния головы;
Yolov6-V2.0 Эффективная отделенная голова;
Головка обнаружения Yolov7 iauxdetect, головка Idetect и т. Д.;
Другие различные головы обнаружения

Поддерживает больше механизмов внимания подключения и игры.

Подключите и воспроизводите механизмы внимания в любой части сети
Самое внимание
Контекстуальный трансформатор
Узкое трансформатор
S2-MLP Внимание
СК Внимание
CBAM Внимание
SE Внимание
Координировать внимание
Нам внимание
ГАМ ВНИМАНИЕ
ЭКА ВНИМАНИЕ
Перетасовать внимание
Пересекающаяся
Координировать внимание
Сообщение
Симам внимание непрерывно обновляется?
Большие новости! ! ! В качестве дополнения к проекту с открытым исходным кодом, мы рекомендуем библиотеку библиотеки кода алгоритма алгоритма. Он обобщен и организован всеобъемлющим образом, включая различные внимания и другие коды. Код прост и прост в чтении, и одна строка кода реализует механизм внимания.

Больше космических пирамидных конструкций

Спп
SPPF
Аспп
RFB
Sppcspc
SPPFCSPC
SIMSPPF постоянно обновляется?

Поддержать больше потерь

Компьютер
Computeloss (V5)
Computeloss (V6)
Computeloss (x)
ComputElossauxota (V7)
Computelossota (V7)
Компьютенудлосс
Другая потеря

Поддерживает якорный и без якорь

? Yolov5, Yolov7, Yolov3, Yolov4, Yolor, Scaledyolov4, Ppyolo, Pppyolov2, улучшен Yolov5, улучшенный yolov7
? Yolox, Yolov6 (Paper), Pppyoloe, Pppyoloe+

Поддерживает несколько стратегий распределения тегов

Многоцелевая стратегия
Политика распределения тегов Yolov5
Политика распределения тегов Simota
Стратегия распределения тегов Yolov7
Политика назначения тегов AutoAssign?
Политика распределения двойного веса?
Политика распределения тегов Freeanchor?
Другие улучшенные стратегии распределения тегов постоянно обновляются?

Поддержка взвешенной коробки Fusion (WBF)

Встроенные несколько модульных компонентов для сетевой модели
Conv, GhostConv, узкое место, Ghostbottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv, Wotenleneckcsp, C3, C3TR, C3SPP, C3HOST, C3HB, C3RFEM, Multiseam, Seam, SPPCSPC, Repconv, BOT3, Air, CAM, CAM, CAM, CAM, CAM, CAM, CAM, CAM, CAM, CAM. Rescspc, Rescspb, Resxcspb, Resxcspc, Wotenleneckcspb, Wotenleneckcspc, ASPP, BasicRFB, SPPCSPC_GROUP, Horblock, CNEB, C3GC, C3C2, NN.ConvTrans2D, DWConvblock, Repvggblock, COTS3, SPPPCPOCP, SPPPCPOCP, SPPPCPOC Узкий розетка, Downc, узкий рост

Поддержать больше функций потери IOU

Ciou
Диу
Giou
Eiou
Siou
альфа iou
Непрерывно обновляется?

Поддержите больше NMS

Нс
Merge-NMS
Soft-NMS
Ciou_nms
Diou_nms
Giou_nms
Eiou_nms
Siou_nms
Soft-Siounms, Soft-Ciounms, Soft-Diounms, Soft-EIOUNMS, Soft-Giounms и т. Д.;
Непрерывно обновляется?

Поддерживать больше улучшений данных

Мозаика, копия, вставка, случайная аффинная (вращение, масштаб, трансляция и сдвиг), смешивание, увеличение HSV (Hue, насыщение, значение, случайный горизонтальный флип

Поддерживает официальные предварительные веса, нагрузка на Yolov3, Yolov4, Yolov5, Yolov7, Yolor, Scaled_yolo и другие сети для обучения передачи

Визуализация тепловой диаграммы серии серии Yolo (Gardcam, Gardcam ++ и т. Д.) Поддерживает Yolov3, Yolov3-SPP, Yolov4, Yolov5, Yolor, Yolov7scaled_yolov4, TPH-Yolo, Spd-Yolo и модели пользовательских сетевых моделей (Yoloair (Beta Version Version) были подтверждены)

Резюме основной структурной структуры сетевой модели: модель?

Приведенные выше модули компонентов используют единую структуру кода модели, единую форму задачи и метод унифицированного применения. Компоненты модуля могут помочь пользователям настраивать и быстро объединить основу, шею и голову, диверсифицировать сетевые модели, помочь научным исследованиям улучшить алгоритмы обнаружения и создавать более мощную сетевую модель.

ПРИМЕЧАНИЕ. Приведенная выше основная поддержка функций включает в себя основную версию и бета -версию. Некоторые функции временно обновляются только в бета -версии. Не все обновления находятся непосредственно в основном. После того, как последующие бета -версии протестированы внутренне, они постепенно добавляются в основную версию.

Встроенная поддержка конфигурации сетевой модели

Включая файлы конфигурации модели на основе различных моделей алгоритмов, таких как Yolov5, Yolov7, Yolox, Yolor, Yolov3, Yolov4, Scaled_yolov4, Pppyoloe, Pppyoloeplus, трансформатор, Yolo-facev2, Picodet, Yolov5-Lite, tph-yolov5, spd-yolo и т.д.

Предварительный просмотр эффекта

Обнаружение цели	Целевая сегментация

Классификация изображений	Сегментация экземпляра

Целевая сегментация	Целевое отслеживание

Оценка осанки	Обнаружение лица

Тепловое фото 01	Тепловое фото 02

Предварительно тренировочные веса

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

использовать?

О коде. Следуйте принципу дизайна Yolov5.
Оригинальная версия была создана на основе Yolov5 (v6.1)

Установить

Клонировать склад версии в Python> = 3.7.0 и установить требования .

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

тренироваться

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

рассуждение

detect.py запускает вывод на различные источники данных и сохраняет результаты обнаружения в каталоге 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

Слияние

Если вы используете разные модели, чтобы разумно о наборах данных, вы можете использовать файл wbf.py для интеграции результатов с помощью взвешенного слияния коробки. Вам просто нужно установить путь IMG и путь TXT в файле wbf.py.

$ python wbf.py

Обмен бумаги

FightingCV Официальная аккаунт акцент на передовые бумажные обновления каждый день
(Ответьте на публичную учетную запись, чтобы добавить группу, добавьте помощника в Grape Group)

Производительность

Модель	размер ^{(Пиксели)}	карта ^{Вэл 0,5: 0,95}	карта ^{Вэл 0,5}	Скорость ^{ЦП B1 (РС)}	Скорость ^{V100 B1 (РС)}	Скорость ^{V100 B32 (РС)}	параметры ^(М)	Флопс ^{@640 (b)}	Вес
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

Расширять

Оригинальная версия была создана на основе Yolov5 (6.1)

Модель	размер ^{(Пиксели)}	карта ^{Вэл 0,5: 0,95}	карта ^{Вэл 0,5}	Размер ядра DeConSV	Скорость ^{V100 B1 (РС)}	Скорость ^{V100 B32 (РС)}	параметры ^(М)	Флопс ^{@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

Расширять

Процесс обучения зависит от графического процессора 4xv100

 # 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

Существует разрыв между картой Yolov5s и официальным, здесь только для сравнения

Модель	размер ^{(Пиксели)}	карта ^{Вэл 0,5: 0,95}	карта ^{Вэл 0,5}	параметры ^(М)	Флопс ^{@640 (b)}
Yolov5s	640	37.4	56.6	7.226	16.5
Yolov5s-deconv	640	37.8	57.1	7.232	16.5

Расширять

Протестировал Deconv Deconv 4x4, установив группы как input_channel
Их число параметров и провалы почти одинаковы, в то время как карта новой модели примерно на 0,4 выше, чем у начала.

Модель	размер ^{(Пиксели)}	карта ^{Вэл 0,5: 0,95}	карта ^{Вэл 0,5}	параметры ^(М)	Флопс ^{@640 (b)}
Yolov5s	640	37.2	56.0	7.2	16.5
Yolov5S-C3GC-Backbone	640	37.7	57.3	7,5	16.8

Расширять

Оригинальная версия была создана на основе Yolov5-6.0

Учебник YOLOV5

Синхронизировать с рамками Yolov5

Обучение рекомендаций пользовательских данных
Советы по получению лучших результатов обучения - рекомендуется
Записать эксперименты с использованием весов и смещений? Новый
Roboflow: наборы данных, теги и активное обучение? Новый
Обучение мульти-GPU
Pytorch Hub New
Tflite, Onnx, Coreml, Tensorrt Export
Повышение данных времени тестирования (TTA)
Модель интеграция
Модель обрезка/редкость
Эволюция гиперпараметра
Transfer Learning с замораживающим слоем новый
Краткое изложение новой архитектуры

Будущее улучшение

В будущем мы будем продолжать создавать и улучшать экосистему Yoloair для улучшения и интеграции моделей серии Yolov5, продолжать объединять различные модули, строить более различные сетевые модели горизонтально и внедрять связанные технологии и т. Д.

Цитирование

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

Заявление

Расширять

Содержание этого сайта предназначено только для обмена заметками. Если какой -то контент нарушает, пожалуйста, отправляйте электронную почту.
Если у вас есть какие -либо вопросы, пожалуйста, обсудите со мной, отправив электронное письмо.

Благодарности

Расширять

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/positiot666/yolov5_research/
https://github.com/ppogg/yolov5-lite
https://github.com/gumpest/yolov5-multibackbone

Расширять

Дополнительная информация