EasyCV

easycv

ภาษาอังกฤษ | 简体中文

การแนะนำ

EASYCV เป็นกล่องเครื่องมือวิสัยทัศน์คอมพิวเตอร์แบบ all-in-One ที่ใช้ Pytorch ส่วนใหญ่มุ่งเน้นไปที่การเรียนรู้ที่ดูแลตนเองแบบจำลองที่ใช้หม้อแปลงและงาน CV ที่สำคัญรวมถึงการจำแนกภาพการเรียนรู้การเรียนรู้การตรวจจับวัตถุการประมาณท่าทางและอื่น ๆ

คุณสมบัติที่สำคัญ

• อัลกอริทึม SOTA SSL

  EASYCV ให้บริการอัลกอริทึมที่ล้ำสมัยในการเรียนรู้ด้วยตนเองโดยใช้การเรียนรู้แบบตัดกันเช่น SIMCLR, MOCO V2, SWAV, Dino และ Mae ตามการสร้างแบบจำลองภาพหน้ากาก นอกจากนี้เรายังมีเครื่องมือการเปรียบเทียบมาตรฐานสำหรับการประเมินแบบจำลอง SSL

• หม้อแปลงวิสัยทัศน์

  EASYCV มีจุดมุ่งหมายเพื่อให้วิธีที่ง่ายในการใช้โมเดลหม้อแปลง SOTA นอกชั้นวางที่ได้รับการฝึกฝนโดยใช้การเรียนรู้ภายใต้การดูแลหรือการเรียนรู้ด้วยตนเองเช่น VIT, Swin Transformer และ DETR Series จะมีการเพิ่มโมเดลเพิ่มเติมในอนาคต นอกจากนี้เรายังสนับสนุนทุกรุ่นที่ได้รับการฝึกฝนจาก TIMM

• ฟังก์ชั่นและการขยายความสามารถ

  นอกเหนือจาก SSL แล้ว EASYCV ยังรองรับการจำแนกภาพการตรวจจับวัตถุการเรียนรู้การวัดและพื้นที่อื่น ๆ จะได้รับการสนับสนุนในอนาคต แม้ว่าจะครอบคลุมพื้นที่ที่แตกต่างกัน แต่ EASYCV จะย่อยสลายเฟรมเวิร์กเป็นส่วนประกอบที่แตกต่างกันเช่นชุดข้อมูลโมเดลและเบ็ดที่ใช้งานได้ทำให้ง่ายต่อการเพิ่มส่วนประกอบใหม่และรวมเข้ากับโมดูลที่มีอยู่

  EASYCV ให้อินเทอร์เฟซที่เรียบง่ายและครอบคลุมสำหรับการอนุมาน นอกจากนี้ทุกรุ่นได้รับการสนับสนุนใน PAI-EAS ซึ่งสามารถปรับใช้ได้อย่างง่ายดายเป็นบริการออนไลน์และสนับสนุนการปรับสเกลอัตโนมัติและการตรวจสอบบริการ

• ประสิทธิภาพ

  EASYCV รองรับการฝึกอบรมหลาย GPU และหลายคน EASYCV ใช้ DALI เพื่อเร่งข้อมูล IO และกระบวนการประมวลผลล่วงหน้าและใช้ Torchaccelerator และ FP16 เพื่อเร่งกระบวนการฝึกอบรม สำหรับการเพิ่มประสิทธิภาพการอนุมานแบบจำลองการส่งออก EASYCV โดยใช้สคริปต์ JIT ซึ่งสามารถปรับให้เหมาะสมโดย PAI-blade

มีอะไรใหม่

[2023.05.09]

• 09/05/2023 EASYCV v0.11.0 ถูกปล่อยออกมา

• รองรับ EASYCV เป็นปลั๊กอินสำหรับ [ModelsCope] (https://github.com/modelscope/modelscope

[2023.03.06]

• 06/03/2023 EASYCV v0.10.0 ถูกปล่อยออกมา

• เพิ่มโมเดลการแบ่งส่วน stdc
• เพิ่มโมเดลการจดจำวิดีโอที่ใช้โครงกระดูก STGCN
• สนับสนุน MOT ของ Reid และ Multi-Len

[2023.01.17]

• 17/01/2023 EASYCV v0.9.0 ถูกปล่อยออกมา

• รองรับ MOT เลนส์เดี่ยว
• สนับสนุนการจดจำวิดีโอ (X3D, Swin-Video)

[2022.12.02]

• 02/12/2022 EASYCV v0.8.0 ถูกปล่อยออกมา

• Bevformer-base NDS เพิ่มขึ้น 0.8 ใน Nuscenes Val ความเร็วในการฝึกอบรมเพิ่มขึ้น 10%และความเร็วในการอนุมานเพิ่มขึ้น 40%
• สนับสนุน Objects365 pretrain และการเพิ่มโมเดล Dino ++ สามารถบรรลุความแม่นยำของ 63.4MAP ที่ระดับโมเดล 200 เมตร (ภายใต้สเกลเดียวกันความแม่นยำดีที่สุด)

[2022.08.31] เราได้เปิดตัว Yolox-Pai ของเราที่ได้ผลลัพธ์ SOTA ภายใน 40 ~ 50 แผนที่ (น้อยกว่า 1ms) และเรายังมี API การส่งออก/ทำนายที่สะดวกและรวดเร็วสำหรับการตรวจจับวัตถุ End2end หากต้องการเริ่มต้น Yolox-Pai อย่างรวดเร็วคลิกที่นี่!

• 31/08/2022 EASYCV v0.6.0 ได้รับการปล่อยตัว
  • ปล่อย Yolox-Pai ซึ่งได้ผลลัพธ์ SOTA ภายใน 40 ~ 50 แผนที่ (น้อยกว่า 1ms)
  • เพิ่มการตรวจจับ Algo Dino ซึ่งประสบความสำเร็จ 58.5 แผนที่บน Coco
  • เพิ่ม mask2former algo
  • เผยแพร่ Imagenet1K, Imagenet22K, Coco, LVIS, ข้อมูล VOC2012 พร้อม Baidudisk เพื่อเร่งการดาวน์โหลด

โปรดดูที่ Change_log.md สำหรับรายละเอียดและประวัติเพิ่มเติม

บทความทางเทคนิค

เรามีชุดของบทความทางเทคนิคเกี่ยวกับฟังก์ชันการทำงานของ EASYCV

• easycv 开源｜开箱即用的视觉自监督+หม้อแปลง算法库
• แม่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， Query Object 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

การติดตั้ง

โปรดดูส่วนการติดตั้งใน Quick_start.md สำหรับการติดตั้ง

เริ่มต้นใช้งาน

โปรดดูที่ Quick_start.md เพื่อเริ่มต้นอย่างรวดเร็ว นอกจากนี้เรายังมีบทเรียนสำหรับการใช้งานมากขึ้น

• การเรียนรู้ด้วยตนเอง
• การจำแนกรูปภาพ
• การเรียนรู้เมตริก
• การตรวจจับวัตถุด้วย Yolox-pai
• แบบจำลองการบีบอัดด้วยโยล็อก
• ใช้ Torchacc
• ไฟล์ io สำหรับไฟล์ท้องถิ่นและ OSS
• การใช้โมเดล mmdetection ใน easycv
• เครื่องมือทำนายชุด

สมุดบันทึก

• การเรียนรู้ด้วยตนเอง
• การจำแนกรูปภาพ
• การตรวจจับวัตถุด้วย Yolox-pai
• การเรียนรู้เมตริก

สวนสัตว์รุ่น

สถาปัตยกรรม

การเรียนรู้ด้วยตนเอง	การจำแนกรูปภาพ	การตรวจจับวัตถุ	การแบ่งส่วน	การตรวจจับวัตถุ 3D
BYOL (Neurips'2020) Dino (ICCV'2021) Mixco (Neurips'2020) Moby (Arxiv'2021) mocov2 (arxiv'2020) Simclr (icml'2020) Swav (Neurips'2020) แม่ (cvpr'2022) FastConvmae (Arxiv'2022)	resnet (cvpr'2016) resnext (cvpr'2017) hrnet (cvpr'2019) VIT (ICLR'2021) Swint (ICCV'2021) EfficientFormer (Arxiv'2022) deit (icml'2021) XCIT (Arxiv'2021) TNT (Neurips'2021) Convit (Arxiv'2021) Cait (ICCV'2021) Levit (ICCV'2021) Convnext (cvpr'2022) resmlp (arxiv'2021) เสื้อโค้ท (ICCV'2021) Convmixer (ICLR'2022) MLP-MIXER (Arxiv'2021) Nest (aaai'2022) หลุม (arxiv'2021) ฝาแฝด (Neurips'2021) Shuffle Transformer (Arxiv'2021) Deit III (ECCV'2022) ความสนใจของไฮดรา (2022)	FCOS (ICCV'2019) Yolox (Arxiv'2021) YOLOX-PAI (ARXIV'2022) DETR (ECCV'2020) DAB-DETR (ICLR'2022) dn-detr (cvpr'2022) Dino (Arxiv'2022)	การแบ่งส่วนอินสแตนซ์ หน้ากาก R-CNN (ICCV'2017) Vitdet (Arxiv'2022) mask2former (cvpr'2022) การแบ่งส่วนความหมาย FCN (cvpr'2015) Upernet (ECCV'2018) การแบ่งส่วน panoptic mask2former (cvpr'2022)	Bevformer (ECCV'2022)

โปรดดูที่สวนสัตว์รุ่นต่อไปนี้สำหรับรายละเอียดเพิ่มเติม

• สวนสัตว์รูปแบบการเรียนรู้ที่ดูแลตนเอง
• สวนสัตว์รูปแบบการจำแนกประเภท
• สวนสัตว์ตรวจจับ
• Detection3d Model Zoo
• สวนสัตว์แบบแบ่งส่วน
• สวนสัตว์จำลอง

ศูนย์ข้อมูล

EASYCV ได้รวบรวมข้อมูลชุดข้อมูลสำหรับสถานการณ์ที่แตกต่างกันทำให้ผู้ใช้สามารถ finetune หรือประเมินโมเดลในสวนสัตว์ EasyCV ได้ง่าย

โปรดดูที่ data_hub.md

ใบอนุญาต

โครงการนี้ได้รับอนุญาตภายใต้ใบอนุญาต Apache (เวอร์ชัน 2.0) ชุดเครื่องมือนี้ยังมีส่วนประกอบของบุคคลที่สามและรหัสบางส่วนที่แก้ไขจาก repos อื่น ๆ ภายใต้ใบอนุญาตโอเพ่นซอร์สอื่น ๆ ดูไฟล์ประกาศสำหรับข้อมูลเพิ่มเติม

ติดต่อ

ปัจจุบัน Repo นี้ได้รับการดูแลโดยทีม PAI-CV คุณสามารถติดต่อเราได้โดย

• หมายเลขกลุ่ม Dingding: 41783266
• อีเมล: [email protected]

บริการระดับองค์กร

หากคุณต้องการการสนับสนุนบริการ EasyCV Enterprise หรือซื้อบริการผลิตภัณฑ์คลาวด์คุณสามารถติดต่อเราได้โดย Dingding Group