Téléchargement BestYOLO - Téléchargement du code source BestYOLO

BestYOLO

Code Source AI

1.0.0

Télécharger

BestYOLO est un meilleur cadre de pratique YOLO orienté par la recherche scientifique et la compétition !

Actuellement, BestYOLO est une bibliothèque open source complètement améliorée basée sur YOLOv5 v7.0. La bibliothèque sera toujours orientée vers des applications pratiques, visant la portabilité et la facilité d'utilisation, et simplifiera l'amélioration des différents modules. Actuellement, l'algorithme de détection de cible YOLOv5 basé sur le modèle torchvision.models Backbone a été intégré et davantage d'applications YOLOv5 seront progressivement open source.

?améliorer

Backbone-ResNet18 s'aligne sur resnet18
Backbone-RegNet_y_400mf aligner regnet_y_400mf
Backbone-MobileNetV3 petit aligner mobilenet_v3_small
Backbone-EfficientNet_B0 aligné efficientnet_b0
Backbone-ResNet34 s'aligne sur resnet34
Backbone-ResNet50 aligner resnet50
Backbone-EfficientNetV2_s aligné efficientnet_v2_s
Backbone-EfficientNet_B1 aligné efficientnet_b1
Backbone-MobileNetV2 s'aligne sur mobilenet_v2
Backbone-wide_resnet50_2 aligner wide_resnet50_2
Backbone-VGG11_BN aligner vgg11_bn
Backbone-Convnext Tiny aligner convnext_tiny

Tous les modèles Backbone prennent en charge l'activation des pondérations pré-entraînées en ajoutant pretrained=True à chaque modèle common.py. Les poids pré-entraînés dans torchvision.models sont tous entraînés sur la base de l'ensemble de données ImageNet-1K !

modèles	couches	paramètres	taille du modèle (Mo)
yolov5n	214	1766623	3.9
MobileNetV3	313	2137311	4.7
efficacenet_b0	443	6241531	13,0
RegNety400	450	5000191	10.5
ResNet18	177	12352447	25.1
ResNet34	223	22460607	45.3
ResNet50	258	27560895	55,7
EfficaceNetV2_s	820	22419151	45,8
efficacenet_b1	539	6595615	13.8
mobilenet_v2	320	4455295	9.4
large_resnet50_2	258	70887103	142.3
vgg11_bn	140	10442879	21.9
convnext_tiny	308	29310175	59,0

Vous pouvez essayer de définir depth_multiple et width_multiple dans le fichier de configuration .yaml sur 1 en même temps, cela donnera peut-être de bons résultats.

SPP est un regroupement pyramidal spatial, utilisé pour obtenir une sortie de taille adaptative. (La taille de sortie des couches de pooling traditionnelles telles que le pooling maximum et le pooling moyen est liée à la taille d'entrée, mais lorsque nous créons enfin une couche entièrement connectée pour implémenter la classification, nous devons spécifier l'entrée entièrement connectée, nous avons donc besoin d'un moyen de laissez le réseau neuronal Le réseau obtient une sortie de dimension fixe à une certaine couche, et il est préférable de ne pas redimensionner cette méthode (le redimensionnement provoquerait une distorsion), donc SPP a vu le jour. Il a été proposé pour la première fois par He Kaiming et appliqué au RCNN. modèle). Le SPP d'aujourd'hui est devenu le Multi-Scale-ROI-Align d'aujourd'hui sur plus rapide-rcnn, et est devenu SPPF sur Yolo.

yolov5n(SPPF)
yolov5n-SPP
yolov5n-SimSPPF
yolov5n-ASPP
yolov5n-RFB
yolov5n-SPPCSPC
yolov5n-SPPCSPC_group
yolov5n-SimCSSPSPPF

modèles	couches	paramètres
yolov5n(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

modèles	couches	paramètres
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

Affectation optimale du transport
Formation assistée Affectation Transport Optimal
Soft-NMS

N'utilisez pas Soft-NMS pour la formation. Cela prend trop de temps. Veuillez l'activer au stade val . Il convient aux petites données qui se chevauchent.

Tête découplée
DCNv2
WBF
DCNv3
NWD

application

Déploiement et utilisation de TFjs
TensorRT déploie YOLOv5
Utilisation de l'interface graphique Pyqt

Applet YOLOv5 WeChat

Assistante de production des jeux de données YOLOv5

YOLOv5 boîte unique plusieurs étiquettes

Augmentation de la buée

?Compétence

Formation et test du modèle YOLOv5 et contenu pédagogique sur le déploiement multi-terminal
Comprendre l'implémentation de YOLOv5-OneFlow de zéro à un
Problème de calcul YOLOV5 FPS
Introduction au module Neck de la série YOLO
Explication détaillée de l'amélioration des données YOLOv5 (hyp.scratch-low.yaml et augmentations.py)
Toute version de YOLOv5 ajoute la visualisation de la carte thermique Grad-CAM
Méthode de cryptage et de déchiffrement du poids du modèle entraînée par YOLOv5
Série YOLOv5 : 6. Modifier Soft-NMS, Soft-CIoUNM...
Série YOLOv5 : la mise en commun de pyramides spatiales améliore SPPF/SPPFCSPC...
YOLOv5 | Couche d'auto-attention indépendante pour les tâches visuelles
Cryptage du code du projet YOLOv5
YOLOv5 : ajout d'un taux de détection manqué et d'un taux de fausse détection
Analyse YOLOv5 | Dessiner un tableau de comparaison des données du fichier results.csv
Astuces de la stratégie d'échantillonnage d'images YOLOv5-échantillonnage en fonction du poids de chaque catégorie de l'ensemble de données
Comment YOLOv5 effectue la détection de cibles régionales (tutoriel étape par étape)
Une revue complète des articles sur la détection de cibles 2D (37 articles)
J'ai lu plus de 30 revues chinoises de base qui ont amélioré YOLO du jour au lendemain.
Une collection d'articles de base sur les dernières améliorations apportées par CNKI à YOLO | Un aperçu rapide de 22 innovations

Tueur de détection de petites cibles : yolov5-pip et sahi
Le grand tueur de la détection de petites cibles : l'amélioration des données encombrées

Il convient de noter que les données d'entraînement et d'inférence restent sous la même forme de données, c'est-à-dire que vous ne pouvez pas vous entraîner à l'aide de graphiques non coupés et déduire sur la base de graphiques coupés !

Une référence de sélection d'optimiseur immature :

?se référer à

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

?Travail

https://github.com/cv516Buaa/tph-yolov5
https://github.com/icey-zhang/SuperYOLO
https://github.com/luogen1996/OneTeacher
https://github.com/AlibabaResearch/efficientteacher
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

?Citation

 @ article { 2023 bestyolo ,
  title = {{ BestYOLO }: Making research and competition easier },
  author = { Rongsheng Wang },
  repo = { github https : // github . com / WangRongsheng / BestYOLO },
  year = { 2023 }
}