Beranda>Terkait pemrograman>Kode Sumber AI
Unduh

BestYOLO adalah kerangka praktik YOLO terbaik yang berorientasi pada penelitian ilmiah dan kompetisi!

Saat ini, BestYOLO merupakan perpustakaan open source yang ditingkatkan sepenuhnya berdasarkan YOLOv5 v7.0. Perpustakaan akan selalu berorientasi pada aplikasi praktis, bertujuan pada portabilitas dan kemudahan penggunaan, serta akan menyederhanakan peningkatan berbagai modul. Saat ini, algoritme deteksi target YOLOv5 berdasarkan model Backbone torchvision.models telah terintegrasi, dan lebih banyak aplikasi YOLOv5 secara bertahap akan menjadi sumber terbuka.

?memperbaiki

  • Backbone-ResNet18 selaras dengan resnet18
  • Tulang Punggung-RegNet_y_400mf sejajarkan regnet_y_400mf
  • Backbone-MobileNetV3 sejajarkan kecil mobilenet_v3_small
  • Backbone-EfficientNet_B0 selaras dengan EfficientNet_b0
  • Backbone-ResNet34 selaras dengan resnet34
  • Backbone-ResNet50 menyelaraskan resnet50
  • Backbone-EfficientNetV2_s selaras dengan EfficientNet_v2_s
  • Backbone-EfficientNet_B1 selaras dengan EfficientNet_b1
  • Backbone-MobileNetV2 selaras dengan mobilenet_v2
  • Lebar tulang punggung_resnet50_2 sejajarkan lebar_resnet50_2
  • Tulang Punggung-VGG11_BN sejajarkan vgg11_bn
  • Backbone-Convnext Tiny sejajarkan convnext_tiny

Semua model Backbone mendukung pengaktifan bobot terlatih dengan menambahkan pretrained=True ke setiap model common.py. Bobot yang telah dilatih sebelumnya di torchvision.models semuanya dilatih berdasarkan kumpulan data ImageNet-1K!

model lapisan parameter ukuran model (MB)
yolov5n 214 1766623 3.9
MobileNetV3s 313 2137311 4.7
efisiennet_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
EfisienNetV2_s 820 22419151 45.8
efisiennet_b1 539 6595615 13.8
mobilenet_v2 320 4455295 9.4
lebar_resnet50_2 258 70887103 142.3
vgg11_bn 140 10442879 21.9
convnext_tiny 308 29310175 59.0

Anda dapat mencoba mengatur depth_multiple dan width_multiple di file konfigurasi .yaml menjadi 1 secara bersamaan, mungkin akan memberikan hasil yang bagus.

SPP adalah penggabungan piramida spasial, yang digunakan untuk mencapai keluaran ukuran adaptif. (Ukuran keluaran dari lapisan penyatuan tradisional seperti penyatuan maksimum dan penyatuan rata-rata dikaitkan dengan ukuran masukan, namun ketika kita akhirnya membuat lapisan yang terhubung sepenuhnya untuk mengimplementasikan klasifikasi, kita perlu menentukan masukan yang terhubung sepenuhnya, jadi kita memerlukan cara untuk biarkan jaringan saraf Jaringan memperoleh keluaran berdimensi tetap pada lapisan tertentu, dan metode ini sebaiknya tidak diubah ukurannya (mengubah ukuran akan menyebabkan distorsi), sehingga muncullah SPP. Ini pertama kali diusulkan oleh He Kaiming dan diterapkan pada RCNN model). SPP saat ini telah berkembang menjadi Multi-Scale-ROI-Align di fast-rcnn, dan telah berkembang menjadi SPPF di Yolo.

  • yolov5n(SPPF)
  • yolov5n-SPP
  • yolov5n-SimSPPF
  • yolov5n-ASPP
  • yolov5n-RFB
  • yolov5n-SPPCSPC
  • yolov5n-SPPCSPC_group
  • yolov5n-SimCSSPSPPF
model lapisan parameter
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
model lapisan parameter
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
  • Penugasan Transportasi Optimal
  • Pelatihan berbantuan Penugasan Transportasi Optimal
  • Lembut-NMS

Jangan gunakan Soft-NMS untuk pelatihan. Ini memakan waktu terlalu lama. Harap aktifkan di tahap val . Ini cocok untuk data target yang tumpang tindih.

  • Kepala terpisah
  • DCNv2
  • WBF
  • DCNv3
  • NWD

aplikasi

  • Penerapan dan penggunaan TFjs

  • TensorRT menerapkan YOLOv5

  • Penggunaan GUI Pyqt

  • Applet WeChat YOLOv5
  • Asisten produksi kumpulan data YOLOv5
  • YOLOv5 kotak tunggal beberapa label
  • Penambahan Fogging

?Keahlian

  • Pelatihan dan pengujian model YOLOv5 dan konten pengajaran penerapan multi-terminal
  • Pahami implementasi YOLOv5-OneFlow dari nol hingga satu
  • Masalah perhitungan YOLOV5 FPS
  • Pengantar modul Neck seri YOLO
  • Penjelasan mendetail tentang peningkatan data YOLOv5 (hyp.scratch-low.yaml dan augmentations.py)
  • Versi YOLOv5 mana pun menambahkan visualisasi peta panas Grad-CAM
  • Metode enkripsi dan dekripsi bobot model dilatih oleh YOLOv5
  • Seri YOLOv5: 6. Memodifikasi Soft-NMS, Soft-CIoUNM...
  • Seri YOLOv5: Penggabungan piramida spasial meningkatkan SPPF/SPPFCSPC...
  • YOLOv5 |. Lapisan perhatian diri independen untuk tugas visual
  • Enkripsi kode proyek YOLOv5
  • YOLOv5: Tambahkan tingkat deteksi yang terlewat dan keluaran tingkat deteksi yang salah
  • Analisis YOLOv5 |. Gambarkan bagan perbandingan data file hasil.csv
  • Trik strategi pengambilan sampel gambar YOLOv5-pengambilan sampel sesuai bobot setiap kategori kumpulan data
  • Bagaimana YOLOv5 melakukan deteksi target regional (tutorial langkah demi langkah)
  • Tinjauan komprehensif makalah deteksi target 2D (37 artikel)
  • Saya membaca lebih dari 30 jurnal inti Tiongkok yang meningkatkan YOLO dalam semalam.
  • Kumpulan makalah inti tentang penyempurnaan terbaru CNKI pada YOLO |. Tinjauan singkat tentang 22 inovasi
  1. Pembunuh deteksi target kecil: yolov5-pip dan sahi
  2. Pembunuh terbesar dari deteksi target kecil: peningkatan data yang padat

Perlu diperhatikan bahwa data pelatihan dan inferensi tetap dalam bentuk data yang sama, artinya, Anda tidak dapat melatih melalui grafik non-potong dan menyimpulkan berdasarkan grafik potong!

  1. Referensi pemilihan pengoptimal yang belum matang:

?merujuk ke

  • 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/positif666/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

?Bekerja

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

?Mengutip 

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

menyumbang

Memperluas
Informasi Tambahan
Aplikasi Terkait
Direkomendasikan untuk Anda
Informasi Terkait Semua