mmyolo
v0.6.0
文档|安装| ？模型动物园| ？更新新闻|报告问题
英语| 简体中文
？ V0.6.0于2023年1月15日发布：
有关发布历史记录和更新详细信息，请参阅ChangElog。
我们很高兴宣布我们关于实时对象识别任务的最新工作RTMDET ，这是一个完全卷积的单阶段探测器的家族。 RTMDET不仅在从小到超大型模型大小的对象检测中实现了最佳的参数准确性权衡取舍，而且还可以在实例细分和旋转的对象检测任务上获得新的最新性能。详细信息可以在技术报告中找到。预训练的模型在这里。
| 任务 | 数据集 | AP | FPS（TRT FP16 BS1 3090） |
|---|---|---|---|
| 对象检测 | 可可 | 52.8 | 322 |
| 实例细分 | 可可 | 44.6 | 188 |
| 旋转的对象检测 | dota | 78.9（单尺度）/81.3（多尺度） | 121 |
Myolo当前实现对象检测和旋转对象检测算法，但与MMDeteciton版本相比，它具有显着的训练加速度。训练速度比以前版本快2.6倍。
Myolo是基于Pytorch和MMDetection的Yolo系列算法的开源工具箱。它是OpenMMLAB项目的一部分。
主分支与Pytorch 1.6+一起使用。 
统一和方便的基准
Myolo统一了各种Yolo算法中模块的实现，并提供了统一的基准。用户可以公平方便地比较和分析。
丰富而详细的文档
Myolo提供了丰富的文档，用于入门，模型部署，高级用法和算法分析，使不同级别的用户可以轻松启动并快速进行扩展。
？模块化设计
Myolo将框架分解为不同的组件，用户可以通过将不同的模块与各种培训和测试策略相结合来轻松自定义模型。
上图由Rangeking@github贡献，非常感谢！P6模型的图位于model_design.md中。
mmyolo依赖于Pytorch，MMCV，MMENGINE和MMDETECTION。以下是安装的快速步骤。请参阅《安装指南》以获取更多详细说明。
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 . Myolo基于MMDetection，并采用相同的代码结构和设计方法。为了更好地利用此功能，请阅读MMDetection概述，以首先了解MMDetection。
mmyolo的使用几乎与mmdetection相同，所有教程都可以简单地使用，您还可以了解MMDetection用户指南和高级指南。
对于MMDetection的不同部分，我们还准备了用户指南和高级指南，请阅读我们的文档。
模型动物园中可用结果和模型。
| 骨干 | 脖子 | 损失 | 常见的 |
|
|
|
有关常见问题，请参考常见问题解答。
我们感谢对改善Mmyolo的所有贡献。正在进行的项目可以在我们的GitHub项目中找到。欢迎社区用户参与这些项目。请参阅贡献指南的贡献。
Myolo是一个开源项目，由来自各种大学和公司的研究人员和工程师贡献。我们感谢所有实施方法或添加新功能的贡献者以及提供宝贵反馈的用户。我们希望该工具箱和基准可以通过提供灵活的工具包来重新实现现有方法并开发自己的新探测器来为不断增长的研究社区提供服务。
如果您发现此项目在您的研究中有用，请考虑引用：
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}该项目根据GPL 3.0许可发布。
