Página Inicial>Relacionado com a programação>Código-Fonte de IA
Baixar

BestYOLO é uma estrutura de melhores práticas YOLO orientada por pesquisa científica e competição!

Atualmente, BestYOLO é uma biblioteca de código aberto totalmente aprimorada com base no YOLOv5 v7.0. A biblioteca estará sempre orientada para aplicações práticas, visando portabilidade e facilidade de uso, e simplificará o aprimoramento de diversos módulos. Atualmente, o algoritmo de detecção de alvo YOLOv5 baseado no modelo torchvision.models Backbone foi integrado e mais aplicativos YOLOv5 serão gradualmente de código aberto.

?melhorar

  • Backbone-ResNet18 se alinha com resnet18
  • Backbone-RegNet_y_400mf alinhar regnet_y_400mf
  • Backbone-MobileNetV3 pequeno alinhamento mobilenet_v3_small
  • Backbone-EfficientNet_B0 alinhadoefficientnet_b0
  • Backbone-ResNet34 se alinha com resnet34
  • Backbone-ResNet50 alinha resnet50
  • Backbone-EfficientNetV2_s eficientenet_v2_s alinhado
  • Backbone-EfficientNet_B1 alinhadoefficientnet_b1
  • Backbone-MobileNetV2 alinha-se com mobilenet_v2
  • Backbone-wide_resnet50_2 alinhar wide_resnet50_2
  • Backbone-VGG11_BN alinhar vgg11_bn
  • Backbone-Convnext Tiny alinhar convnext_tiny

Todos os modelos Backbone suportam a ativação de pesos pré-treinados adicionando pretrained=True a cada modelo common.py. Os pesos pré-treinados em torchvision.models são todos treinados com base no conjunto de dados ImageNet-1K!

modelos camadas parâmetros tamanho do modelo (MB)
yolov5n 214 1766623 3.9
MobileNetV3s 313 2137311 4.7
eficientenet_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
EficienteNetV2_s 820 22419151 45,8
eficientenet_b1 539 6595615 13,8
rede móvel_v2 320 4455295 9.4
wide_resnet50_2 258 70887103 142,3
vgg11_bn 140 10442879 21.9
convnext_tiny 308 29310175 59,0

Você pode tentar definir depth_multiple e width_multiple no arquivo de configuração .yaml para 1 ao mesmo tempo, talvez tenha bons resultados.

SPP é um agrupamento de pirâmide espacial, que é usado para obter uma saída de tamanho adaptativo. (O tamanho de saída das camadas de pooling tradicionais, como pool máximo e pool médio, está vinculado ao tamanho de entrada, mas quando finalmente criamos uma camada totalmente conectada para implementar a classificação, precisamos especificar a entrada totalmente conectada, portanto, precisamos de uma maneira de deixe a rede neural A rede obter uma saída de dimensão fixa em uma determinada camada, e é melhor não redimensionar esse método (o redimensionamento causará distorção), então o SPP foi proposto pela primeira vez por He Kaiming e aplicado ao RCNN. modelo). O SPP de hoje evoluiu para o Multi-Scale-ROI-Align de hoje em um rcnn mais rápido e se desenvolveu para o SPPF no Yolo.

  • yolov5n(SPPF)
  • yolov5n-SPP
  • yolov5n-SimSPPF
  • yolov5n-ASPP
  • yolov5n-RFB
  • yolov5n-SPPCSPC
  • yolov5n-SPPCSPC_group
  • yolov5n-SimCSSPSPPF
modelos camadas parâmetros
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
modelos camadas parâmetros
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
  • Atribuição de Transporte Ideal
  • Treinamento assistido Atribuição de Transporte Ideal
  • Soft-NMS

Não use Soft-NMS para treinamento. Demora muito. Ative-o no estágio val . É adequado para dados sobrepostos de alvos pequenos.

  • Cabeça desacoplada
  • DCNv2
  • WBF
  • DCNv3
  • NOD

aplicativo

  • Implantação e uso de TFjs

  • TensorRT implanta YOLOv5

  • Uso da GUI Pyqt

  • Miniaplicativo WeChat YOLOv5
  • Assistente de produção de conjunto de dados YOLOv5
  • YOLOv5 caixa única, vários rótulos
  • Aumento de nebulização

?Habilidade

  • Treinamento e teste do modelo YOLOv5 e conteúdo de ensino de implantação multiterminal
  • Entenda a implementação do YOLOv5-OneFlow de zero a um
  • Problema de cálculo de FPS YOLOV5
  • Introdução ao módulo Neck da série YOLO
  • Explicação detalhada do aprimoramento de dados YOLOv5 (hyp.scratch-low.yaml e aumentations.py)
  • Qualquer versão do YOLOv5 adiciona visualização de mapa de calor Grad-CAM
  • Método de criptografia e descriptografia de peso do modelo treinado por YOLOv5
  • Série YOLOv5: 6. Modificar Soft-NMS, Soft-CIoUNM...
  • Série YOLOv5: Pool de pirâmide espacial melhora SPPF/SPPFCSPC...
  • YOLOv5 | Camada independente de autoatenção para tarefas visuais
  • Criptografia de código do projeto YOLOv5
  • YOLOv5: Adicionar taxa de detecção perdida e saída de taxa de detecção falsa
  • Análise YOLOv5 | Desenhar gráfico de comparação de dados do arquivo results.csv
  • Truques de amostragem de estratégia de amostragem de imagens YOLOv5 de acordo com o peso de cada categoria do conjunto de dados
  • Como o YOLOv5 realiza a detecção de alvos regionais (tutorial passo a passo)
  • Uma revisão abrangente de artigos sobre detecção de alvos 2D (37 artigos)
  • Li mais de 30 periódicos chineses que melhoraram o YOLO da noite para o dia.
  • Uma coleção de artigos principais sobre as últimas melhorias do CNKI no YOLO Uma rápida visão geral de 22 inovações
  1. Assassino de detecção de alvo pequeno: yolov5-pip e sahi
  2. O grande assassino da detecção de pequenos alvos: aprimoramento de dados

Deve-se observar que os dados de treinamento e inferência permanecem na mesma forma de dados, ou seja, não é possível treinar por meio de gráficos não cortados e inferir com base em gráficos cortados!

  1. Uma referência de seleção de otimizador imaturo:

?consulte

  • 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/positiva666/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

?Trabalhar

  • 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

?Citar 

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

contribuir

Expandir
Informações adicionais
Aplicativos Relacionados
Recomendado para você
Informações Relacionadas Todos