mmyolo
v0.6.0
เอกสาร การติดตั้ง ? Model Zoo | อัปเดตข่าว | ปัญหาการรายงาน
ภาษาอังกฤษ | 简体中文
- V0.6.0 เปิดตัวเมื่อวันที่ 15/8/2566:
สำหรับประวัติการวางจำหน่ายและรายละเอียดการอัปเดตโปรดดูที่ Changelog
เรารู้สึกตื่นเต้นที่จะประกาศผลงานล่าสุดของเราเกี่ยวกับงานการจดจำวัตถุแบบเรียลไทม์ RTMDET ซึ่งเป็นครอบครัวของเครื่องตรวจจับขั้นตอนเดียวอย่างสมบูรณ์ RTMDET ไม่เพียง แต่จะได้รับการแลกเปลี่ยนพารามิเตอร์-ความแม่นยำที่ดีที่สุดในการตรวจจับวัตถุจากขนาดขนาดเล็กถึงขนาดใหญ่พิเศษ แต่ยังได้รับประสิทธิภาพที่ทันสมัยใหม่ในการแบ่งส่วนอินสแตนซ์และงานตรวจจับวัตถุที่หมุนได้ รายละเอียดสามารถพบได้ในรายงานทางเทคนิค โมเดลที่ผ่านการฝึกอบรมมาก่อนอยู่ที่นี่
| งาน | ชุดข้อมูล | ap | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| การตรวจจับวัตถุ | โกโก้ | 52.8 | 322 |
| การแบ่งส่วนอินสแตนซ์ | โกโก้ | 44.6 | 188 |
| การตรวจจับวัตถุที่หมุน | dota | 78.9 (ระดับเดียว) /81.3 (หลายระดับ) | 121 |
ปัจจุบัน Mmyolo ใช้การตรวจจับวัตถุและอัลกอริทึมการตรวจจับวัตถุที่หมุนได้ แต่มีการเร่งความเร็วการฝึกอบรมที่สำคัญเมื่อเทียบกับรุ่น MMDeteciton ความเร็วในการฝึกอบรมเร็วกว่ารุ่นก่อนหน้า 2.6 เท่า
Mmyolo เป็นกล่องเครื่องมือโอเพนซอร์สสำหรับอัลกอริทึมซีรีย์ YOLO ที่ใช้ Pytorch และ MMDetection มันเป็นส่วนหนึ่งของโครงการ OpenMMLAB
สาขาหลักทำงานร่วมกับ Pytorch 1.6+ 
? benchmark แบบครบวงจรและสะดวก
Mmyolo รวมการใช้งานโมดูลในอัลกอริทึม YOLO ต่างๆและให้เกณฑ์มาตรฐานแบบครบวงจร ผู้ใช้สามารถเปรียบเทียบและวิเคราะห์ในวิธีที่ยุติธรรมและสะดวกสบาย
เอกสารที่หลากหลายและมีรายละเอียด
MMYOLO จัดทำเอกสารที่หลากหลายสำหรับการเริ่มต้นการปรับใช้แบบจำลองการใช้งานขั้นสูงและการวิเคราะห์อัลกอริทึมทำให้ผู้ใช้ในระดับต่าง ๆ เป็นเรื่องที่แตกต่างกันเพื่อเริ่มต้นและทำให้ส่วนขยายได้อย่างรวดเร็ว
- การออกแบบแบบแยกส่วน
Mmyolo สลายตัวกรอบเป็นส่วนประกอบที่แตกต่างกันซึ่งผู้ใช้สามารถปรับแต่งโมเดลได้อย่างง่ายดายโดยการรวมโมดูลที่แตกต่างกับการฝึกอบรมและกลยุทธ์การทดสอบต่างๆ
รูปด้านบนมีส่วนร่วมโดย RangeKing@GitHub ขอบคุณมาก!และรูปของโมเดล P6 อยู่ใน model_design.md
Mmyolo อาศัย Pytorch, MMCV, Mmengine และ Mmdetection ด้านล่างเป็นขั้นตอนที่รวดเร็วสำหรับการติดตั้ง โปรดดูคู่มือการติดตั้งสำหรับคำแนะนำโดยละเอียดเพิ่มเติม
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 ขึ้นอยู่กับ mmdetection และใช้โครงสร้างรหัสและวิธีการออกแบบเดียวกัน หากต้องการใช้งานได้ดีขึ้นโปรดอ่านภาพรวม MMDetection สำหรับความเข้าใจแรกของ MMDetection
การใช้งานของ mmyolo นั้นเกือบจะเหมือนกับ mmdetection และบทเรียนทั้งหมดนั้นตรงไปตรงมาคุณสามารถเรียนรู้เกี่ยวกับคู่มือผู้ใช้ MMDetection และคู่มือขั้นสูง
สำหรับส่วนต่าง ๆ จาก MMDetection เราได้เตรียมคำแนะนำผู้ใช้และคู่มือขั้นสูงโปรดอ่านเอกสารของเรา
ผลลัพธ์และรุ่นมีอยู่ในสวนสัตว์รุ่น
| กระดูกสันหลัง | คอ | การสูญเสีย | ทั่วไป |
|
|
|
โปรดดูคำถามที่พบบ่อยสำหรับคำถามที่พบบ่อย
เราขอขอบคุณการมีส่วนร่วมทั้งหมดในการปรับปรุง Mmyolo โครงการต่อเนื่องสามารถพบได้ในโครงการ GitHub ของเรา ยินดีต้อนรับผู้ใช้ชุมชนที่จะเข้าร่วมในโครงการเหล่านี้ โปรดดูที่การสนับสนุน MD สำหรับแนวทางที่มีส่วนร่วม
Mmyolo เป็นโครงการโอเพ่นซอร์สที่ได้รับการสนับสนุนจากนักวิจัยและวิศวกรจากวิทยาลัยและ บริษัท ต่างๆ เราขอขอบคุณผู้สนับสนุนทุกคนที่ใช้วิธีการของพวกเขาหรือเพิ่มคุณสมบัติใหม่รวมถึงผู้ใช้ที่ให้ข้อเสนอแนะที่มีค่า เราหวังว่ากล่องเครื่องมือและเกณฑ์มาตรฐานสามารถให้บริการชุมชนการวิจัยที่กำลังเติบโตโดยการจัดหาชุดเครื่องมือที่ยืดหยุ่นเพื่อใช้วิธีการที่มีอยู่ใหม่และพัฒนาเครื่องตรวจจับใหม่ของตัวเอง
หากคุณพบว่าโครงการนี้มีประโยชน์ในการวิจัยของคุณโปรดพิจารณาอ้าง:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}โครงการนี้เปิดตัวภายใต้ใบอนุญาต GPL 3.0
