mmyolo
v0.6.0
文檔|安裝| ？模型動物園| ？更新新聞|報告問題
英語| 簡體中文
？ V0.6.0於2023年1月15日發布：
有關發布歷史記錄和更新詳細信息，請參閱ChangElog。
我們很高興宣布我們關於實時對象識別任務的最新工作RTMDET ，這是一個完全卷積的單階段探測器的家族。 RTMDET不僅在從小到超大型模型大小的對象檢測中實現了最佳的參數準確性權衡取捨，而且還可以在實例細分和旋轉的對象檢測任務上獲得新的最新性能。詳細信息可以在技術報告中找到。預訓練的模型在這裡。
| 任務 | 數據集 | AP | FPS（TRT FP16 BS1 3090） |
|---|---|---|---|
| 對象檢測 | 可可 | 52.8 | 322 |
| 實例細分 | 可可 | 44.6 | 188 |
| 旋轉的對象檢測 | dota | 78.9（單尺度）/81.3（多尺度） | 121 |
Myolo當前實現對象檢測和旋轉對象檢測算法，但與MMDeteciton版本相比，它具有顯著的訓練加速度。訓練速度比以前版本快2.6倍。
Myolo是基於Pytorch和MMDetection的Yolo系列算法的開源工具箱。它是OpenMMLAB項目的一部分。
主分支與Pytorch 1.6+一起使用。 
統一和方便的基準
Myolo統一了各種Yolo算法中模塊的實現，並提供了統一的基準。用戶可以公平方便地比較和分析。
豐富而詳細的文檔
Myolo提供了豐富的文檔，用於入門，模型部署，高級用法和算法分析，使不同級別的用戶可以輕鬆啟動并快速進行擴展。
？模塊化設計
Myolo將框架分解為不同的組件，用戶可以通過將不同的模塊與各種培訓和測試策略相結合來輕鬆自定義模型。
上圖由Rangeking@github貢獻，非常感謝！P6模型的圖位於model_design.md中。
mmyolo依賴於Pytorch，MMCV，MMENGINE和MMDETECTION。以下是安裝的快速步驟。請參閱《安裝指南》以獲取更多詳細說明。
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基於MMDetection，並採用相同的代碼結構和設計方法。為了更好地利用此功能，請閱讀MMDetection概述，以首先了解MMDetection。
mmyolo的使用幾乎與mmdetection相同，所有教程都可以簡單地使用，您還可以了解MMDetection用戶指南和高級指南。
對於MMDetection的不同部分，我們還準備了用戶指南和高級指南，請閱讀我們的文檔。
模型動物園中可用結果和模型。
| 骨幹 | 脖子 | 損失 | 常見的 |
|
|
|
有關常見問題，請參考常見問題解答。
我們感謝對改善Mmyolo的所有貢獻。正在進行的項目可以在我們的GitHub項目中找到。歡迎社區用戶參與這些項目。請參閱貢獻指南的貢獻。
Myolo是一個開源項目，由來自各種大學和公司的研究人員和工程師貢獻。我們感謝所有實施方法或添加新功能的貢獻者以及提供寶貴反饋的用戶。我們希望該工具箱和基準可以通過提供靈活的工具包來重新實現現有方法並開發自己的新探測器來為不斷增長的研究社區提供服務。
如果您發現此項目在您的研究中有用，請考慮引用：
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
author={MMYOLO Contributors},
howpublished = { url {https://github.com/open-mmlab/mmyolo}},
year={2022}
}該項目根據GPL 3.0許可發布。
