BestYOLO هو أفضل إطار عمل لممارسة YOLO موجه من خلال البحث العلمي والمنافسة!
في الوقت الحاضر، تعد BestYOLO مكتبة مفتوحة المصدر تم تحسينها بالكامل استنادًا إلى YOLOv5 v7.0. وستكون المكتبة موجهة دائمًا نحو التطبيقات العملية، التي تهدف إلى سهولة النقل وسهولة الاستخدام، وستعمل على تبسيط تحسين الوحدات المختلفة. حاليًا، تم دمج خوارزمية الكشف عن الهدف YOLOv5 المستندة إلى نموذج torchvision.models Backbone، وسيتم فتح المزيد من تطبيقات YOLOv5 تدريجيًا.
؟يحسن
- Backbone-ResNet18 يتماشى مع resnet18
- العمود الفقري-RegNet_y_400mf محاذاة regnet_y_400mf
- Backbone-MobileNetV3 محاذاة صغيرة mobilenet_v3_small
- العمود الفقري-EfficientNet_B0 محاذاةكفاءةnet_b0
- Backbone-ResNet34 يتماشى مع resnet34
- العمود الفقري-ResNet50 محاذاة resnet50
- العمود الفقري-EfficientNetV2_s محاذاةكفاءةnet_v2_s
- العمود الفقري-EfficientNet_B1 محاذاةكفاءةnet_b1
- يتوافق Backbone-MobileNetV2 مع mobilenet_v2
- العمود الفقري-واسع_resnet50_2 محاذاة Wide_resnet50_2
- العمود الفقري-VGG11_BN محاذاة vgg11_bn
- العمود الفقري-Convnext Tiny محاذاة convnext_tiny
تدعم جميع نماذج Backbone تمكين الأوزان المدربة مسبقًا عن طريق إضافة pretrained=True إلى كل نموذج common.py. يتم تدريب جميع الأوزان المدربة مسبقًا في torchvision.models بناءً على مجموعة بيانات ImageNet-1K!
| نماذج | طبقات | حدود | حجم النموذج (ميجابايت) |
|---|
| yolov5n | 214 | 1766623 | 3.9 |
| MobileNetV3s | 313 | 2137311 | 4.7 |
| efficiencynet_b0 | 443 | 6241531 | 13.0 |
| ريجنيتي400 | 450 | 5000191 | 10.5 |
| ريسنيت18 | 177 | 12352447 | 25.1 |
| ريسنيت34 | 223 | 22460607 | 45.3 |
| ريسنيت50 | 258 | 27560895 | 55.7 |
| EfficientNetV2_s | 820 | 22419151 | 45.8 |
| كفاءةnet_b1 | 539 | 6595615 | 13.8 |
| mobilenet_v2 | 320 | 4455295 | 9.4 |
| Wide_resnet50_2 | 258 | 70887103 | 142.3 |
| vgg11_bn | 140 | 10442879 | 21.9 |
| convnext_tiny | 308 | 29310175 | 59.0 |
يمكنك محاولة ضبط depth_multiple width_multiple في ملف التكوين .yaml على 1 في نفس الوقت، ربما سيكون له نتائج جيدة.
SPP هو تجميع الهرم المكاني، والذي يستخدم لتحقيق مخرجات ذات حجم متكيف. (يرتبط حجم إخراج طبقات التجميع التقليدية، مثل الحد الأقصى للتجميع والتجميع المتوسط، بحجم الإدخال، ولكن عندما ننشئ أخيرًا طبقة متصلة بالكامل لتنفيذ التصنيف، نحتاج إلى تحديد المدخلات المتصلة بالكامل، لذلك نحتاج إلى طريقة دع الشبكة العصبية تحصل على مخرجات ذات أبعاد ثابتة في طبقة معينة، ومن الأفضل عدم تغيير حجم هذه الطريقة (سيؤدي تغيير الحجم إلى تشويه)، لذلك تم اقتراح SPP لأول مرة بواسطة He Kaiming وتم تطبيقه على RCNN نموذج). لقد تطورت SPP اليوم إلى Multi-Scale-ROI-Align اليوم على rcnn الأسرع، وتطورت إلى SPPF على Yolo.
- يولوف5ن (SPPF)
- yolov5n-SPP
- yolov5n-SimSPPF
- yolov5n-ASPP
- yolov5n-RFB
- yolov5n-SPPCSPC
- yolov5n-SPPCSPC_group
- yolov5n-SimCSSPSPPF
| نماذج | طبقات | حدود |
|---|
| يولوف5ن (SPPF) | 214 | 1766623 |
| yolov5n-SPP | 217 | 1766623 |
| yolov5n-SimSPPF | 216 | 1766623 |
| yolov5n-ASPP | 214 | 3831775 |
| yolov5n-RFB | 251 | 1932287 |
| yolov5n-SPPCSPC | 232 | 3375071 |
| yolov5n-SPPCSPC_group | 232 | 2047967 |
| yolov5n-SimCSSPSPPF | 229 | 3375071 |
- yolov5n
- yolov5n-FPN-AC
- yolov5n-PAN-AC
- yolov5n-FPN+PAN-AC
- yolov5n-FPN-AS
- yolov5n-PAN-AS
- yolov5n-FPN+PAN-AS
| نماذج | طبقات | حدود |
|---|
| yolov5n | 214 | 1766623 |
| yolov5n-FPN-AC | 188 | 1858399 |
| yolov5n-PAN-AC | 186 | 1642591 |
| yolov5n-FPN+PAN-AC | 160 | 1734367 |
| yolov5n-FPN-AS | 204 | 2106847 |
| yolov5n-PAN-AS | 194 | 1891039 |
| yolov5n-FPN+PAN-AS | 184 | 2231263 |
- مهمة النقل الأمثل
- التدريب المساعد على تعيين النقل الأمثل
- لينة NMS
لا تستخدم Soft-NMS للتدريب، فهو يستغرق وقتًا طويلاً، يرجى تفعيله في مرحلة val ، وهو مناسب للبيانات الصغيرة المتداخلة.
- رأس منفصل
- DCNv2
- WBF
- DCNv3
- NWD
طلب
- برنامج WeChat الصغير YOLOv5
- YOLOv5 مساعد إنتاج مجموعة البيانات
- YOLOv5 صندوق واحد تسميات متعددة
؟مهارة
- تدريب واختبار نموذج YOLOv5 ومحتوى تعليمي للنشر متعدد المحطات
- فهم تنفيذ YOLOv5-OneFlow من صفر إلى واحد
- مشكلة حساب YOLOV5 FPS
- مقدمة لوحدة الرقبة من سلسلة YOLO
- شرح تفصيلي لتحسين بيانات YOLOv5 (hyp.scratch-low.yaml وaugmentations.py)
- يضيف أي إصدار من YOLOv5 تصورًا للخريطة الحرارية لـ Grad-CAM
- طريقة تشفير وفك تشفير الوزن النموذجي التي تم تدريبها بواسطة YOLOv5
- سلسلة YOLOv5: 6. تعديل Soft-NMS، Soft-CIoUNM...
- سلسلة YOLOv5: يعمل تجميع الهرم المكاني على تحسين SPPF/SPPFCSPC...
- YOLOv5 |. طبقة الاهتمام الذاتي المستقلة للمهام البصرية
- تشفير رمز المشروع YOLOv5
- YOLOv5: إضافة معدل الكشف المفقود ومخرجات معدل الاكتشاف الخاطئ
- تحليل YOLOv5 | رسم مخطط مقارنة بيانات ملف results.csv
- حيل استراتيجية أخذ عينات الصور YOLOv5 وفقًا لوزن كل فئة من مجموعة البيانات
- كيف يقوم YOLOv5 بالكشف عن الهدف الإقليمي (برنامج تعليمي خطوة بخطوة)
- مراجعة شاملة لأوراق الكشف عن الأهداف ثنائية الأبعاد (37 مقالاً)
- لقد قرأت أكثر من 30 مجلة أساسية صينية أدت إلى تحسين YOLO بين عشية وضحاها.
- مجموعة من الأوراق الأساسية حول أحدث تحسينات CNKI على YOLO | نظرة عامة سريعة على 22 ابتكارًا
- قاتل كشف الأهداف الصغيرة: yolov5-pip و sahi
- القاتل الأكبر لاكتشاف الأهداف الصغيرة: حشو تحسين البيانات
تجدر الإشارة إلى أن بيانات التدريب والاستدلال تظل في نفس نموذج البيانات، أي أنه لا يمكنك التدريب من خلال الرسوم البيانية غير المقطوعة والاستدلال بناءً على الرسوم البيانية المقطوعة!
- مرجع اختيار المحسن غير الناضج:
?الرجوع إلى
- https://github.com/ultralytics/yolov5/tree/v7.0
- https://github.com/ppogg/YOLOv5-Lite
- https://github.com/deepcam-cn/yolov5-face
- https://github.com/Gumpest/YOLOv5-Multibackbone-Compression
- https://github.com/jizhishutong/YOLOU
- https://github.com/Bobo-y/flexible-yolov5
- https://github.com/iscyy/yoloair
- https://github.com/WangQvQ/Yolov5_Magic
- https://github.com/Hongyu-Yue/yoloV5_modify_smalltarget
- https://github.com/wuzhihao7788/yolodet-pytorch
- https://github.com/iscyy/yoloair2
- https://github.com/positive666/yolo_research
- https://github.com/Javacr/PyQt5-YOLOv5
- https://github.com/yang-0201/YOLOv6_pro
- https://github.com/yhwang-hub/dl_model_deploy
- https://github.com/FeiYull/TensorRT-Alpha
- https://github.com/sjinzh/awesome-yolo-object-detection
- https://github.com/z1069614715/objectdetection_script
- https://github.com/icey-zhang/SuperYOLO
- https://github.com/akashAD98/awesome-yolo-object-detection
؟عمل
- https://github.com/cv516Buaa/tph-yolov5
- https://github.com/icey-zhang/SuperYOLO
- https://github.com/luogen1996/OneTeacher
- https://github.com/AlibabaResearch/efficiencyteacher
- https://github.com/YOLOonMe/EMA-attention-module
- https://github.com/maggiez0138/yolov5_quant_sample
- https://github.com/OutBreak-hui/YoloV5-Flexible-and-Inference
- https://github.com/Johnathan-Xie/ZSD-YOLO
- https://github.com/chengshuxiao/YOLOv5-ODConvNeXt
- https://github.com/LSH9832/edgeyolo
- https://github.com/Koldim2001/YOLO-Patch-Based-Inference
؟يقتبس
@ article { 2023 bestyolo ,
title = {{ BestYOLO }: Making research and competition easier },
author = { Rongsheng Wang },
repo = { github https : // github . com / WangRongsheng / BestYOLO },
year = { 2023 }
} يساهم
