nanodet下载nanodet源代码下载

nanodet

Python

v1.0.0

下载

Nanodet-plus

超快速和高精度轻巧的无锚对象检测模型。在移动设备上实时实时。

super轻量级：模型文件仅为980KB（INT8）或1.8MB（FP16）。
快速速度：移动臂CPU上的97fps（10.23ms）。
高精度：最多34.3 Map ^Val @0.5：0.95 ，并且在CPU上仍然实时。
训练友好：GPU内存成本比其他型号低得多。批处理大小= 80可以在GTX1060 6G上找到。
易于部署：支持包括NCNN，MNN和OpenVino在内的各种后端。还基于NCNN推理框架提供Android演示。

介绍

Nanodet是FCOS风格的一阶段无锚对象检测模型，该模型使用广义局灶性损失作为分类和回归损失。

在Nanodet-Plus中，我们提出了一种新颖的标签分配策略，该策略具有简单的分配指导模块（AGM）和动态软标签分配程序（DSLA），以解决轻量级模型培训中的最佳标签分配问题。我们还引入了一种名为Ghost-Pan的轻型金字塔，以增强多层功能融合。这些改进在可可数据集上通过7地图提高了先前的Nanodet的检测准确性。

nanodet-plus知乎中文介绍

纳米特知乎中文介绍

QQ交流群：908606542（答案：炼丹）

基准

模型	解决	地图^{阀 0.5：0.95}	CPU延迟^{（i7-8700）}	手臂潜伏期^（4XA76）	拖鞋	参数	型号大小
Nanodet-M	320*320	20.6	4.98ms	10.23ms	0.72克	0.95m	1.8MB（FP16） \| 980KB（INT8）
Nanodet-Plus-M	320*320	27.0	5.25ms	11.97ms	0.9克	117m	2.3MB（FP16） \| 1.2MB（INT8）
Nanodet-Plus-M	416*416	30.4	8.32ms	19.77ms	1.52克	117m	2.3MB（FP16） \| 1.2MB（INT8）
Nanodet-Plus-M-1.5x	320*320	29.9	7.21ms	15.90ms	1.75克	244万	4.7MB（FP16） \| 2.3MB（INT8）
Nanodet-Plus-M-1.5x	416*416	34.1	11.50ms	25.49ms	2.97克	244万	4.7MB（FP16） \| 2.3MB（INT8）
yolov3小	416*416	16.6	-	37.6ms	5.62克	886万	33.7MB
yolov4小	416*416	21.7	-	32.81ms	6.96克	6.06m	23.0MB
Yolox-Nano	416*416	25.8	-	23.08ms	1.08克	0.91m	1.8MB（FP16）
yolov5-n	640*640	28.4	-	44.39ms	4.5克	1.9m	3.8MB（FP16）
FBNETV5	320*640	30.4	-	-	1.8克	-	-
动员	320*320	25.6	-	-	0.9克	-	-

下载预训练的模型，并在模型动物园或发行文件中找到更多模型

笔记（单击以展开）

基于NCNN的Kirin 980（4XA76+4XA55）ARM CPU测量了ARM性能。您可以使用NCNN_ANDROID_BENCHMARC测试手机上的延迟。
Intel CPU性能是基于OpenVino的Intel Core-I7-8700测量的。
Nanodet地图（0.5：0.95）在COCO Val2017数据集上进行了验证，没有测试时间增加。
Yolov3和Yolov4地图是指缩放Yolov4：缩放跨阶段部分网络。

消息！！！

[2023.01.20]升级到Pytorch-Lightning-1.9。最小Pytorch版本升级到1.10。支持FP16培训（感谢 @Crisp-Snakey）。支持忽略标签（谢谢 @Zero0kiriyu）。
[2022.08.26]升级到Pytorch-Lightning-1.7。最低Pytorch版本升级到1.9。要使用以前版本的Pytorch，请安装nanodet <= v1.0.0-alpha-1
[2021.12.25] Nanodet-Plus释放！添加AGM （分配指导模块）＆ DSLA （动态软标签分配器）以改进7个地图，仅成本一点。

在“更新说明”中查找更多更新说明。

演示

Android演示

android_demo

Android Demo Project在Demo_android_ncnn文件夹中。请参阅Android演示指南。

这是一个更好的实施NCNN-android-nanodet

NCNN C ++演示

基于NCNN的C ++演示位于Demo_ncnn文件夹中。请参阅CPP演示指南。

MNN演示

使用Alibaba的MNN框架的推理在Demo_mnn文件夹中。请参阅MNN演示指南。

OpenVino演示

使用OpenVino的推论位于Demo_openvino文件夹中。请参阅OpenVino演示指南。

Web浏览器演示

https://nihui.github.io/ncnn-webassembly-nanodet/

Pytorch演示

首先，安装要求和设置纳米特安装指南。然后从这里下载可可预处理

可可预处理检查站

预先训练的重量由config/nanodet-plus-m_416.yml训练。

推理图像

python demo/demo.py image --config CONFIG_PATH --model MODEL_PATH --path IMAGE_PATH

推理视频

python demo/demo.py video --config CONFIG_PATH --model MODEL_PATH --path VIDEO_PATH

推理网络摄像头

python demo/demo.py webcam --config CONFIG_PATH --model MODEL_PATH --camid YOUR_CAMERA_ID

此外，我们在此处提供了一个笔记本，以演示如何使其与Pytorch一起使用。

安装

要求

Linux或MacOS
cuda> = 10.2
Python> = 3.7
pytorch> = 1.10.0，<2.0.0

步

创建一个conda虚拟环境，然后激活它。

 conda create -n nanodet python=3.8 -y
 conda activate nanodet

安装Pytorch

conda install pytorch torchvision cudatoolkit=11.1 -c pytorch -c conda-forge

克隆这个存储库

git clone https://github.com/RangiLyu/nanodet.git
cd nanodet

安装要求

pip install -r requirements.txt

设置纳米特

python setup.py develop

模型动物园

Nanodet支持各种骨架。转到配置文件夹查看示例培训配置文件。

模型	骨干	解决	可可地图	拖鞋	参数	预训练重量
Nanodet-M	Shufflenetv2 1.0x	320*320	20.6	0.72克	0.95m	下载
Nanodet-Plus-M-320（新）	Shufflenetv2 1.0x	320*320	27.0	0.9克	117m	重量\|检查点
Nanodet-Plus-M-416（新）	Shufflenetv2 1.0x	416*416	30.4	1.52克	117m	重量\|检查点
Nanodet-Plus-M-1.5x-320（新）	ShuffLenetv2 1.5倍	320*320	29.9	1.75克	244万	重量\|检查点
nanodet-plus-m-1.5x-416（新）	ShuffLenetv2 1.5倍	416*416	34.1	2.97克	244万	重量\|检查点

注意： Weight和Checkpoint之间的差异是重量仅在推理时间内提供参数，但是检查点包含训练时间参数。

旧模型动物园

模型	骨干	解决	可可地图	拖鞋	参数	预训练重量
Nanodet-M-416	Shufflenetv2 1.0x	416*416	23.5	1.2克	0.95m	下载
Nanodet-M-1.5x	ShuffLenetv2 1.5倍	320*320	23.5	1.44克	208m	下载
Nanodet-M-1.5x-416	ShuffLenetv2 1.5倍	416*416	26.8	2.42克	208m	下载
Nanodet-M-0.5x	Shufflenetv2 0.5倍	320*320	13.5	0.3g	0.28m	下载
纳米特-T	Shufflenetv2 1.0x	320*320	21.7	0.96克	136万	下载
Nanodet-G	自定义CSP网	416*416	22.9	4.2克	3.81m	下载
纳米效率	效率网络-lite0	320*320	24.7	1.72克	3.11m	下载
纳米效率	效率网络lite1	416*416	30.3	4.06克	4.01m	下载
纳米效率	效率网络lite2	512*512	32.6	7.12克	4.71m	下载
Nanodet-Repvgg	repvgg-a0	416*416	27.8	11.3g	675m	下载

如何训练

准备数据集
如果您的数据集注释是Pascal VOC XML格式，请参阅config/nanodet_custom_xml_dataset.yml
否则，如果您的数据集注释是yolo格式（darknet txt），请参阅config/nanodet-plus-m_416-yolo.yml
或将数据集注释转换为MS Coco格式（可可注释格式的详细信息）。
准备配置文件
在Config/ Folder中复制并修改示例YML配置文件。
将Save_dir更改为您要保存模型的位置。
更改模型 - > Arch->头部中的num_classes 。
在数据 - > train和data-> val中更改图像路径和注释路径。
在设备中设置GPU ID，数字工人和批处理大小以适合您的设备。
根据您的数据集设置total_epochs ， lr和lr_schedule并进行批处理。
如果要修改网络，数据增强或其他内容，请参阅配置文件详细信息
开始训练
Nanodet现在使用Pytorch Lightning进行训练。
对于单GPU或多个GPU，运行：
```
python tools/train.py CONFIG_FILE_PATH
```
可视化日志
张板日志保存在您在配置文件中设置的save_dir中。
要可视化张板日志，请运行：
```
 cd < YOUR_SAVE_DIR >
tensorboard --logdir ./
```

如何部署

Nanodet提供了多余的C ++演示，包括NCNN，OpenVino和MNN。还有一个基于NCNN库的Android演示。

导出模型

要将nanodet pytorch型号转换为ncnn，您可以选择以这种方式：pytorch-> onnx-> ncnn

要导出ONNX型号，请运行tools/export_onnx.py 。

python tools/export_onnx.py --cfg_path ${CONFIG_PATH} --model_path ${PYTORCH_MODEL_PATH}

使用推理库中的C ++运行Nanodet

NCNN

请参阅demo_ncnn。

Openvino

请参阅Demo_openvino。

MNN

请参阅demo_mnn。

在Android上运行纳米电台

请参考Android_demo。

引用

如果您发现此项目对您的研究有用，请考虑引用：

 @misc { =nanodet ,
    title = { NanoDet-Plus: Super fast and high accuracy lightweight anchor-free object detection model. } ,
    author = { RangiLyu } ,
    howpublished = { url{https://github.com/RangiLyu/nanodet} } ,
    year = { 2021 }
}