yoloair
v1.0
ปรับปรุงบทความในคอลัมน์การปรับปรุงชุดหนังสือมะม่วง
ที่อยู่คอลัมน์: คอลัมน์แรกสุดพิเศษในเครือข่ายทั้งหมด "Mango YOLOV8 การสอนการปรับปรุงเชิงลึก"?
ที่อยู่คอลัมน์: คอลัมน์แรกสุดพิเศษในเครือข่ายทั้งหมด "Mango YOLOV5 การสอนการปรับปรุงเชิงลึก"?
ที่อยู่คอลัมน์: คอลัมน์แรกสุดพิเศษในเครือข่ายทั้งหมด "Mango YOLOV7 การสอนการปรับปรุงเชิงลึก"?
ที่อยู่โครงการ: https://github.com/iscyy/ultralyticspro
มุ่งเน้นไปที่การปรับปรุง YOLOV8, ใหม่ - YOLOV8 ใน Pytorch>, การสนับสนุนเพื่อปรับปรุงกระดูกสันหลัง, คอ, หัว, การสูญเสีย, IOU, LA, NMS และโมดูลอื่น ๆ ทำให้การปรับปรุง YOLOV8 เป็นเรื่องง่ายอีกครั้ง
- โครงการปรับปรุง YOLOV8 ใหม่ UltralyticsPro กำลังจะมาถึงจุดปรับปรุงล่าสุดได้รับการปรับปรุงในปี 2567
1. ปรับปรุงเนื้อหาฟรี YOLOV8 <br> โครงการนี้จะยังคงอัปเดตคะแนนการปรับปรุงฟรีซึ่งจะได้รับการปรับปรุงทุกสัปดาห์
3.22 อัปเดต: กลไกความสนใจ: Ultralytics/CFG/Models/CFG2024/YOLOV8-ATTIVE
กลไกความสนใจของเกม
กลไกความสนใจของ SA
กลไกความสนใจของ Simam
กลไกความสนใจ SK
กลไกความสนใจของ SOCA
กลไกความสนใจของ CBAM
3.23 อัปเดต: โครงสร้างพีระมิด: Ultralytics/CFG/Models/CFG2024/YOLOV8-Pyramid การปรับปรุงโครงสร้าง
sppelan
simsppf,
BasicRfb
aspp,
sppfcspc
สำหรับการอัปเดตเพิ่มเติมคลิกที่: https://github.com/iscyy/ultralyticspro
การอัปเดตโครงการ YOLOV5
2024.03
เพิ่มจุดปรับปรุงการสุ่มตัวอย่าง dysample: ICCV2023 Paper: Dysample upsampling การปรับปรุง
Yoloair เป็นห้องสมุดอัลกอริทึมของ YOLO ที่ใช้ Pytorch รวมกรอบรหัสโมเดลแอปพลิเคชัน Unified การปรับปรุงแบบครบวงจรการรวมโมดูลง่าย ๆ และสร้างโมเดลเครือข่ายที่ทรงพลังยิ่งขึ้น
ภาษาจีนง่ายๆ | ภาษาอังกฤษ
คุณสมบัติ•ใช้? • เอกสาร? •รายงานปัญหา? • อัปเดต? •การสนทนา
•วิธีการปรับปรุงและการอ้างอิงของ YOLO •
การกระจายแบบจำลอง : โมเดลเครือข่ายการตรวจจับที่แตกต่างกันถูกสร้างขึ้นตามโมดูลเครือข่ายที่แตกต่างกัน
ส่วนประกอบโมดูลาร์ : ช่วยให้ผู้ใช้สามารถปรับแต่งและรวมแบ็คโบนคอและหัวได้อย่างรวดเร็วแบบจำลองเครือข่ายที่หลากหลายช่วยให้การวิจัยทางวิทยาศาสตร์ปรับปรุงอัลกอริทึมการตรวจจับการปรับปรุงแบบจำลองและการรวมการจัดเรียงเครือข่าย สร้างโมเดลเครือข่ายที่ทรงพลัง
รวมกรอบรหัสโมเดล, วิธีแอปพลิเคชันแบบครบวงจร, การปรับพารามิเตอร์แบบครบวงจร, การปรับปรุงแบบครบวงจร, หลายงานแบบบูรณาการ, การรวมโมดูลง่ายและสร้างโมเดลเครือข่ายที่ทรงพลังกว่า
โครงสร้างเครือข่ายแบบบูรณาการในตัวเช่น YOLOV5, YOLOV7, YOLOV6, YOLOX, YOLOR, TRANSFORMER, PP-YOLO, PP-YOLOV2, PP-yOLOE, PP-yoloePlus, Scdyolov4, YOLOV3, YOLOV4, YOLOV4 รุ่นอื่น ๆ ... รวมอัลกอริธึมการตรวจจับที่หลากหลายและโมเดลหลายงานที่เกี่ยวข้องโดยใช้กรอบรหัสโมเดลแบบครบวงจร รวมอยู่ในไลบรารี Yoloair และวิธีการรวมแอปพลิเคชัน มันสะดวกสำหรับนักวิจัยทางวิทยาศาสตร์ในการปรับปรุงโมเดลอัลกอริทึมกระดาษเปรียบเทียบโมเดลและตระหนักถึงความหลากหลายของการรวมกันของเครือข่าย มันมีรุ่นที่มีน้ำหนักเบาและโมเดลที่มีความแม่นยำสูงกว่าและเลือกอย่างสมเหตุสมผลตามฉากเพื่อให้เกิดความสมดุลระหว่างความแม่นยำและความเร็ว ในเวลาเดียวกันห้องสมุดรองรับการแยกโครงสร้างและส่วนประกอบโมดูลที่แตกต่างกันเพื่อสร้างส่วนประกอบโมดูล ด้วยการรวมส่วนประกอบโมดูลที่แตกต่างกันผู้ใช้สามารถปรับแต่งและสร้างแบบจำลองการตรวจจับที่แตกต่างกันตามชุดข้อมูลที่แตกต่างกันหรือสถานการณ์ทางธุรกิจที่แตกต่างกัน
รองรับการทำงานหลายอย่างในตัวรวมถึงการตรวจจับวัตถุการแบ่งส่วนอินสแตนซ์การจำแนกภาพการประมาณท่าทางการตรวจจับใบหน้าการติดตามเป้าหมายและงานอื่น ๆ
ดาว? และส้อม จะไม่หลงทางและจะอัปเดตพร้อมกัน
ที่อยู่โครงการ?: https://github.com/iscyy/yoloair
คำแนะนำการปรับปรุงบางอย่างการสอน?: https://github.com/iscyy/yoloair/wiki/improved-tutorial-presentation
ฟังก์ชั่นต่อไปนี้ได้รับการสนับสนุนสำหรับการทดสอบภายในของเวอร์ชัน yoloair-beta
สนับสนุนการปรับปรุงเพิ่มเติมสำหรับรุ่นอัลกอริทึมของ YOLO Series (อัปเดตอย่างต่อเนื่อง ... )
ห้องสมุดอัลกอริทึมของ YOLOAIR สรุปความหลากหลายของรูปแบบการตรวจจับซีรีส์ YOLO ที่หลากหลายและชุดของรหัสรวมหลายรุ่น:
รองรับส่วนประกอบของโมเดลเครือข่ายเพิ่มเติม
| กระดูกสันหลัง | คอ | ศีรษะ |
|
|
|
| กลไกความสนใจ | กลยุทธ์การกำหนดแท็ก | ฟังก์ชั่นการสูญเสีย iou |
|
|
|
| การสูญเสีย | NMS | การปรับปรุงข้อมูล |
|
|
|
| โครงสร้างการรวมปิรามิดอวกาศ | ส่วนประกอบแบบแยกส่วน | anchorbased / anchorfree |
|
|
|
รองรับกระดูกสันหลังเพิ่มเติม
รองรับคอมากขึ้น
รองรับหัวตรวจจับเพิ่มเติม
YOLOV4, หัวตรวจจับหัว YOLOV5;
โยลอร์เรียนรู้หัวตรวจพบศีรษะโดยปริยาย
หัวตรวจจับที่แยกส่วนของ Yolox decoupled หัวและ detectx head;
คุณสมบัติเชิงพื้นที่ที่ปรับตัวได้หัวตรวจจับฟิวชั่นหัว ASFF;
YOLOV6-V2.0 หัว decoupled ที่มีประสิทธิภาพ;
หัวตรวจจับ YOLOV7 หัว Iauxdetect, idetect head, ฯลฯ ;
หัวตรวจจับอื่น ๆ
รองรับกลไกความสนใจแบบปลั๊กและเล่นได้มากขึ้น
กลไกความสนใจและเล่นในส่วนใดส่วนหนึ่งของเครือข่าย
ความสนใจตนเอง
หม้อแปลงบริบท
หม้อแปลงคอขวด
ความสนใจ S2-MLP
SK Attention
ความสนใจของ CBAM
ความสนใจ
ประสานความสนใจ
ความสนใจ
ความสนใจของเกม
ความสนใจของ ECA
ความสนใจในการสับเปลี่ยน
Crisscrossattention
ประสานความสนใจ
การเข้าสังคม
ความสนใจของ Simam กำลังได้รับการปรับปรุงอย่างต่อเนื่อง?
ข่าวใหญ่! - - ในฐานะที่เป็นส่วนเสริมของโครงการโอเพนซอร์สเราขอแนะนำให้ใช้ความสนใจจากรหัสอัลกอริธึม สรุปและจัดระเบียบอย่างครอบคลุมรวมถึงความสนใจและรหัสอื่น ๆ รหัสนั้นง่ายและอ่านง่ายและรหัสหนึ่งบรรทัดใช้กลไกความสนใจ
โครงสร้างการรวมพีระมิดอวกาศมากขึ้น
สนับสนุนการสูญเสียมากขึ้น
รองรับแองเคอร์เบสและแองเคอร์ฟรี
- YOLOV5, YOLOV7, YOLOV3, YOLOV4, YOLOR, SCALEDYOLOV4, PPYOLO, PPYOLOV2, ปรับปรุง YOLOV5, ปรับปรุง YOLOV7
- YOLOX, YOLOV6 (กระดาษ), PPYOLOE, PPYOLOE+
สนับสนุนกลยุทธ์การจัดสรรแท็กหลายรายการ
สนับสนุนกล่องถ่วงน้ำหนักฟิวชั่น (WBF)
ส่วนประกอบหลายโมดูลในตัวสำหรับรุ่นเครือข่าย
Conv, Ghostconv, คอขวด, Ghostbottleneck, SPP, SPPF, DWCONV, MixConv2D, โฟกัส, CrossConv, คอขวด, C3, C3TR, C3SPP, C3GHOST, C3HB, C3RFEM, Multiseam Rescspc, Rescspb, resxcspb, resxcspc, bottleneckcspb, bottleneckcspc, aspp, basicrfb, sppcspc_group, horblock, cneb, c3gc, c3c2, nn.convtranspose2d, dwconvblock Bottleneckcsp2, Downc, Bottleneckcspf, Repvggblock, Reorg, DWT, MobileOne, Hornet ... และรหัส ราย ละเอียดอื่น ๆ
สนับสนุนฟังก์ชั่นการสูญเสีย IOU มากขึ้น
สนับสนุน NMS เพิ่มเติม
สนับสนุนการปรับปรุงข้อมูลเพิ่มเติม
รองรับน้ำหนักการฝึกอบรมก่อนการฝึกอบรมอย่างเป็นทางการของ YOLOV3, YOLOV4, YOLOV5, YOLOV7, YOLOR, SCALED_YOLO และเครือข่ายอื่น ๆ สำหรับการถ่ายโอนการเรียนรู้
Yolo Series Network Model Model การสร้างภาพไดอะแกรมความร้อน (Gardcam, Gardcam ++ ฯลฯ ) รองรับ YOLOV3, YOLOV3-SPP, YOLOV4, YOLOV5, YOLOR, YOLOV7SCALED_YOLOV4, TPH-YOLO, SPD-YOLO และรุ่นเครือข่ายที่กำหนดเอง
บทสรุปของไดอะแกรมโครงสร้างเครือข่ายกระแสหลัก: โมเดล?
โมดูลส่วนประกอบข้างต้นใช้เฟรมเวิร์กรหัสโมเดลแบบครบวงจรรูปแบบงานแบบครบวงจรและวิธีแอปพลิเคชันแบบครบวงจร ส่วนประกอบโมดูล สามารถช่วยผู้ใช้ปรับแต่งและรวมแบ็คโบนคอและหัวอย่างรวดเร็วแบบจำลองเครือข่ายที่หลากหลายช่วยให้การวิจัยทางวิทยาศาสตร์ปรับปรุงอัลกอริทึมการตรวจจับและสร้างโมเดลเครือข่ายที่ทรงพลังยิ่งขึ้น
หมายเหตุ: การสนับสนุนคุณสมบัติหลักด้านบนรวมถึงเวอร์ชันหลักและรุ่นเบต้า คุณสมบัติบางอย่างได้รับการปรับปรุงชั่วคราวในเบต้าเท่านั้น การอัปเดตทั้งหมดไม่ได้อยู่ในหลักโดยตรง หลังจากการทดสอบรุ่นเบต้าที่ตามมาได้รับการทดสอบภายในพวกเขาจะค่อยๆเพิ่มลงในเวอร์ชันหลัก
รวมถึง ไฟล์การกำหนดค่าแบบจำลองตามรุ่นอัลกอริทึมต่าง ๆ เช่น YOLOV5, YOLOV7, YOLOX, YOLOR, YOLOV3, YOLOV4, SCALED_YOLOV4, PPYOLOE, PPYOLOEPLUS, TRANGER, YOLO-FACEV2
| การตรวจจับเป้าหมาย | การแบ่งส่วนเป้าหมาย |
|---|---|
| การจำแนกรูปภาพ | การแบ่งส่วนอินสแตนซ์ |
|---|---|
| การแบ่งส่วนเป้าหมาย | การติดตามเป้าหมาย |
|---|---|
| การประเมินท่าทาง | การตรวจจับใบหน้า |
|---|---|
| ภาพถ่ายความร้อน 01 | ภาพถ่ายความร้อน 02 |
|---|---|
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
เกี่ยวกับรหัส ทำตามหลักการออกแบบของ YOLOV5
เวอร์ชันดั้งเดิมถูกสร้างขึ้นตาม YOLOV5 (v6.1)
โคลนเวอร์ชันคลังสินค้าใน Python> = 3.7.0 และติดตั้งข้อกำหนด. txt รวมถึง pytorch> = 1.7
$ git clone https://github.com/iscyy/yoloair.git # 克隆
$ cd YOLOAir
$ pip install -r requirements.txt # 安装$ python train.py --data coco128.yaml --cfg configs/yolov5/yolov5s.yaml #默认为yolo detect.py เรียกใช้การอนุมานของแหล่งข้อมูลต่างๆและบันทึกผลการตรวจจับไปยังไดเรกทอรี 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 # globหากคุณใช้โมเดลที่แตกต่างกันเพื่อเหตุผลเกี่ยวกับชุดข้อมูลคุณสามารถใช้ไฟล์ wbf.py เพื่อรวมผลลัพธ์ผ่านฟิวชั่นกล่องถ่วงน้ำหนัก คุณเพียงแค่ต้องตั้งค่าเส้นทาง IMG และเส้นทาง TXT ในไฟล์ wbf.py
$ python wbf.py
FightingCV บัญชีอย่างเป็นทางการมีส่วนร่วมการอัปเดตกระดาษที่ทันสมัยทุกวัน
(ตอบกลับบัญชีสาธารณะเพื่อเพิ่มกลุ่มเพิ่มผู้ช่วยในการแลกเปลี่ยนกลุ่ม)
| แบบอย่าง | ขนาด (พิกเซล) | แผนที่ Val 0.5: 0.95 | แผนที่ Val 0.5 | ความเร็ว CPU B1 (MS) | ความเร็ว V100 B1 (MS) | ความเร็ว V100 B32 (MS) | พารามิเตอร์ (M) | ความกระฉับกระเฉง @640 (b) | น้ำหนัก |
|---|---|---|---|---|---|---|---|---|---|
| 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 | พ.ศ. 2327 | 15.8 | 10.5 | 76.8 | 111.4 | YOLOV5L6 |
| YOLOV5X6 + tta | 1280 ค.ศ. 1536 | 55.0 55.8 | 72.7 72.7 | 3136 - | 26.2 - | 19.4 - | 140.7 - | 209.8 - | YOLOV5X6 |
| แบบอย่าง | ขนาด (พิกเซล) | แผนที่ Val 0.5: 0.95 | แผนที่ Val 0.5 | ขนาดเคอร์เนล deconv | ความเร็ว V100 B1 (MS) | ความเร็ว V100 B32 (MS) | พารามิเตอร์ (M) | ความกระฉับกระเฉง @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 |
# 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
| แบบอย่าง | ขนาด (พิกเซล) | แผนที่ Val 0.5: 0.95 | แผนที่ Val 0.5 | พารามิเตอร์ (M) | ความกระฉับกระเฉง @640 (b) |
|---|---|---|---|---|---|
| YOLOV5S | 640 | 37.4 | 56.6 | 7.226 | 16.5 |
| yolov5s-deconv | 640 | 37.8 | 57.1 | 7.232 | 16.5 |
| แบบอย่าง | ขนาด (พิกเซล) | แผนที่ Val 0.5: 0.95 | แผนที่ Val 0.5 | พารามิเตอร์ (M) | ความกระฉับกระเฉง @640 (b) |
|---|---|---|---|---|---|
| YOLOV5S | 640 | 37.2 | 56.0 | 7.2 | 16.5 |
| YOLOV5S-C3GC-BACKBONE | 640 | 37.7 | 57.3 | 7.5 | 16.8 |
ซิงโครไนซ์กับเฟรมเวิร์ก YOLOV5
ในอนาคตเราจะยังคงสร้างและปรับปรุงระบบนิเวศของ Yoloair เพื่อปรับปรุงและรวมโมเดล YOLOV5 Series มากขึ้นต่อไปเพื่อรวมโมดูลที่แตกต่างกันสร้างโมเดลเครือข่ายที่แตกต่างกันมากขึ้นในแนวนอนและแนะนำเทคโนโลยีที่เกี่ยวข้อง ฯลฯ
@ article { 2022 yoloair ,
title = {{ YOLOAir }: Makes improvements easy again },
author = { iscyy },
repo = { github https : // github . com / iscyy / yoloair },
year = { 2022 }
} เนื้อหาของไซต์นี้มีไว้สำหรับการแชร์โน้ตเท่านั้น หากเนื้อหาบางอย่างละเมิดโปรดส่งอีเมล
หากคุณมีคำถามใด ๆ โปรดพูดคุยกับฉันโดยส่งอีเมล
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-xioma666/external-tention-pytorch
https://gitee.com/searchsource/yolov5_yolox
https://github.com/krasjet-yu/yolo-facev2
https://github.com/positive666/yolov5_research/
https://github.com/ppogg/yolov5-lite
https://github.com/gumpest/yolov5-multibackbone
