nanodet下載nanodet源代碼下載

nanodet

Python

v1.0.0

下載

Nanodet-plus

超快速和高精度輕巧的無錨對象檢測模型。在移動設備上實時實時。

super輕量級：模型文件僅為980KB（INT8）或1.8MB（FP16）。
快速速度：移動臂CPU上的97fps（10.23ms）。
高精度：最多34.3 Map ^Val @0.5：0.95 ，並且在CPU上仍然實時。
訓練友好：GPU內存成本比其他型號低得多。批處理大小= 80可以在GTX1060 6G上找到。
易於部署：支持包括NCNN，MNN和OpenVino在內的各種後端。還基於NCNN推理框架提供Android演示。

介紹

Nanodet是FCOS風格的一階段無錨對象檢測模型，該模型使用廣義局灶性損失作為分類和回歸損失。

在Nanodet-Plus中，我們提出了一種新穎的標籤分配策略，該策略具有簡單的分配指導模塊（AGM）和動態軟標籤分配程序（DSLA），以解決輕量級模型培訓中的最佳標籤分配問題。我們還引入了一種名為Ghost-Pan的輕型金字塔，以增強多層功能融合。這些改進在可可數據集上通過7地圖提高了先前的Nanodet的檢測準確性。

nanodet-plus知乎中文介紹

納米特知乎中文介紹

QQ交流群：908606542（答案：煉丹）

基準

模型	解決	地圖^{閥 0.5：0.95}	CPU延遲^{（i7-8700）}	手臂潛伏期^（4XA76）	拖鞋	參數	型號大小
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	244萬	4.7MB（FP16） \| 2.3MB（INT8）
Nanodet-Plus-M-1.5x	416*416	34.1	11.50ms	25.49ms	2.97克	244萬	4.7MB（FP16） \| 2.3MB（INT8）
yolov3小	416*416	16.6	-	37.6ms	5.62克	886萬	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	-	-
動員	320*320	25.6	-	-	0.9克	-	-

下載預訓練的模型，並在模型動物園或發行文件中找到更多模型

筆記（單擊以展開）

基於NCNN的Kirin 980（4XA76+4XA55）ARM CPU測量了ARM性能。您可以使用NCNN_ANDROID_BENCHMARC測試手機上的延遲。
Intel CPU性能是基於OpenVino的Intel Core-I7-8700測量的。
Nanodet地圖（0.5：0.95）在COCO Val2017數據集上進行了驗證，沒有測試時間增加。
Yolov3和Yolov4地圖是指縮放Yolov4：縮放跨階段部分網絡。

消息！！！

[2023.01.20]升級到Pytorch-Lightning-1.9。最小Pytorch版本升級到1.10。支持FP16培訓（感謝 @Crisp-Snakey）。支持忽略標籤（謝謝 @Zero0kiriyu）。
[2022.08.26]升級到Pytorch-Lightning-1.7。最低Pytorch版本升級到1.9。要使用以前版本的Pytorch，請安裝nanodet <= v1.0.0-alpha-1
[2021.12.25] Nanodet-Plus釋放！添加AGM （分配指導模塊）＆ DSLA （動態軟標籤分配器）以改進7個地圖，僅成本一點。

在“更新說明”中查找更多更新說明。

演示

Android演示

android_demo

Android Demo Project在Demo_android_ncnn文件夾中。請參閱Android演示指南。

這是一個更好的實施NCNN-android-nanodet

NCNN C ++演示

基於NCNN的C ++演示位於Demo_ncnn文件夾中。請參閱CPP演示指南。

MNN演示

使用Alibaba的MNN框架的推理在Demo_mnn文件夾中。請參閱MNN演示指南。

OpenVino演示

使用OpenVino的推論位於Demo_openvino文件夾中。請參閱OpenVino演示指南。

Web瀏覽器演示

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

Pytorch演示

首先，安裝要求和設置納米特安裝指南。然後從這裡下載可可預處理

可可預處理檢查站

預先訓練的重量由config/nanodet-plus-m_416.yml訓練。

推理圖像

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

推理視頻

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

推理網絡攝像頭

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

此外，我們在此處提供了一個筆記本，以演示如何使其與Pytorch一起使用。

安裝

要求

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

步

創建一個conda虛擬環境，然後激活它。

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

安裝Pytorch

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

克隆這個存儲庫

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

安裝要求

pip install -r requirements.txt

設置納米特

python setup.py develop

模型動物園

Nanodet支持各種骨架。轉到配置文件夾查看示例培訓配置文件。

模型	骨幹	解決	可可地圖	拖鞋	參數	預訓練重量
Nanodet-M	Shufflenetv2 1.0x	320*320	20.6	0.72克	0.95m	下載
Nanodet-Plus-M-320（新）	Shufflenetv2 1.0x	320*320	27.0	0.9克	117m	重量\|檢查點
Nanodet-Plus-M-416（新）	Shufflenetv2 1.0x	416*416	30.4	1.52克	117m	重量\|檢查點
Nanodet-Plus-M-1.5x-320（新）	ShuffLenetv2 1.5倍	320*320	29.9	1.75克	244萬	重量\|檢查點
nanodet-plus-m-1.5x-416（新）	ShuffLenetv2 1.5倍	416*416	34.1	2.97克	244萬	重量\|檢查點

注意： Weight和Checkpoint之間的差異是重量僅在推理時間內提供參數，但是檢查點包含訓練時間參數。

舊模型動物園

模型	骨幹	解決	可可地圖	拖鞋	參數	預訓練重量
Nanodet-M-416	Shufflenetv2 1.0x	416*416	23.5	1.2克	0.95m	下載
Nanodet-M-1.5x	ShuffLenetv2 1.5倍	320*320	23.5	1.44克	208m	下載
Nanodet-M-1.5x-416	ShuffLenetv2 1.5倍	416*416	26.8	2.42克	208m	下載
Nanodet-M-0.5x	Shufflenetv2 0.5倍	320*320	13.5	0.3g	0.28m	下載
納米特-T	Shufflenetv2 1.0x	320*320	21.7	0.96克	136萬	下載
Nanodet-G	自定義CSP網	416*416	22.9	4.2克	3.81m	下載
納米效率	效率網絡-lite0	320*320	24.7	1.72克	3.11m	下載
納米效率	效率網絡lite1	416*416	30.3	4.06克	4.01m	下載
納米效率	效率網絡lite2	512*512	32.6	7.12克	4.71m	下載
Nanodet-Repvgg	repvgg-a0	416*416	27.8	11.3g	675m	下載

如何訓練

準備數據集
如果您的數據集註釋是Pascal VOC XML格式，請參閱config/nanodet_custom_xml_dataset.yml
否則，如果您的數據集註釋是yolo格式（darknet txt），請參閱config/nanodet-plus-m_416-yolo.yml
或將數據集註釋轉換為MS Coco格式（可可註釋格式的詳細信息）。
準備配置文件
在Config/ Folder中復制並修改示例YML配置文件。
將Save_dir更改為您要保存模型的位置。
更改模型 - > Arch->頭部中的num_classes 。
在數據 - > train和data-> val中更改圖像路徑和註釋路徑。
在設備中設置GPU ID，數字工人和批處理大小以適合您的設備。
根據您的數據集設置total_epochs ， lr和lr_schedule並進行批處理。
如果要修改網絡，數據增強或其他內容，請參閱配置文件詳細信息
開始訓練
Nanodet現在使用Pytorch Lightning進行訓練。
對於單GPU或多個GPU，運行：
```
python tools/train.py CONFIG_FILE_PATH
```
可視化日誌
張板日誌保存在您在配置文件中設置的save_dir中。
要可視化張板日誌，請運行：
```
 cd < YOUR_SAVE_DIR >
tensorboard --logdir ./
```

如何部署

Nanodet提供了多餘的C ++演示，包括NCNN，OpenVino和MNN。還有一個基於NCNN庫的Android演示。

導出模型

要將nanodet pytorch型號轉換為ncnn，您可以選擇以這種方式：pytorch-> onnx-> ncnn

要導出ONNX型號，請運行tools/export_onnx.py 。

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

使用推理庫中的C ++運行Nanodet

NCNN

請參閱demo_ncnn。

Openvino

請參閱Demo_openvino。

MNN

請參閱demo_mnn。

在Android上運行納米電台

請參考Android_demo。

引用

如果您發現此項目對您的研究有用，請考慮引用：

 @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 }
}