Главная страница>Связанные с программированием>AI Исходный код
Скачать

BestYOLO — это лучшая практика YOLO, ориентированная на научные исследования и соревнования!

В настоящее время BestYOLO представляет собой библиотеку с открытым исходным кодом, полностью улучшенную на основе YOLOv5 v7.0. Библиотека всегда будет ориентирована на практические приложения, нацелена на мобильность и простоту использования, а также упростит усовершенствование различных модулей. В настоящее время алгоритм обнаружения целей YOLOv5, основанный на модели Backbone torchvision.models, интегрирован, и постепенно все больше приложений YOLOv5 будут открываться с открытым исходным кодом.

?улучшать

  • Backbone-ResNet18 соответствует resnet18
  • Backbone-RegNet_y_400mf выровнять regnet_y_400mf
  • Backbone-MobileNetV3 small выровнять mobilenet_v3_small
  • Backbone-EfficientNet_B0 согласован с effectnet_b0
  • Backbone-ResNet34 соответствует resnet34
  • Backbone-ResNet50 выравнивает resnet50
  • Backbone-EfficientNetV2_s согласовано с effectnet_v2_s
  • Backbone-EfficientNet_B1 согласован с effectnet_b1
  • Backbone-MobileNetV2 соответствует mobilenet_v2
  • Backbone-wide_resnet50_2 выравнивание Wide_resnet50_2
  • Backbone-VGG11_BN выровнять vgg11_bn
  • Backbone-Convnext Tiny align convnext_tiny

Все модели Backbone поддерживают включение предварительно обученных весов путем добавления pretrained=True к каждой модели common.py. Все предварительно обученные веса в torchvision.models обучаются на основе набора данных ImageNet-1K!

модели слои параметры размер модели (МБ)
йолов5н 214 1766623 3,9
МобилНетВ3с 313 2137311 4.7
effectnet_b0 443 6241531 13,0
РегНети400 450 5000191 10,5
Реснет18 177 12352447 25.1
Реснет34 223 22460607 45,3
Реснет50 258 27560895 55,7
ЭффективныйNetV2_s 820 22419151 45,8
effectnet_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

Вы можете попробовать одновременно установить depth_multiple и width_multiple в файле конфигурации .yaml значение 1, возможно, это даст хорошие результаты.

SPP — это объединение пространственных пирамид, которое используется для достижения выходных данных с адаптивным размером. (Выходной размер традиционных слоев объединения, таких как максимальное объединение и среднее объединение, связан с входным размером, но когда мы, наконец, создаем полностью связный слой для реализации классификации, нам нужно указать полностью подключенный вход, поэтому нам нужен способ пусть нейронная сеть получает выходные данные фиксированного размера на определенном уровне, и этот метод лучше не изменять (изменение размера приведет к искажению), поэтому появился SPP. Он был впервые предложен Хэ Каймингом и применен к RCNN. модель). Сегодняшний SPP превратился в сегодняшнюю Multi-Scale-ROI-Align на fast-rcnn и в SPPF на Yolo.

  • yolov5n(СПФФ)
  • yolov5n-SPP
  • yolov5n-SimSPPF
  • yolov5n-ASPP
  • yolov5n-RFB
  • yolov5n-SPPCSPC
  • yolov5n-SPPCSPC_group
  • yolov5n-SimCSSPSPPF
модели слои параметры
yolov5n(СПФФ) 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
  • йолов5н
  • yolov5n-FPN-AC
  • yolov5n-PAN-AC
  • yolov5n-FPN+PAN-AC
  • yolov5n-FPN-АС
  • yolov5n-ПАН-АС
  • yolov5n-FPN+ПАН-АС
модели слои параметры
йолов5н 214 1766623
yolov5n-FPN-AC 188 1858399
yolov5n-PAN-AC 186 1642591
yolov5n-FPN+PAN-AC 160 1734367
yolov5n-FPN-АС 204 2106847
yolov5n-ПАН-АС 194 1891039
yolov5n-FPN+ПАН-АС 184 2231263
  • Оптимальное транспортное назначение
  • Сопровождаемое обучение Оптимальное транспортное назначение
  • Софт-НМС

Не используйте Soft-NMS для обучения. Это занимает слишком много времени. Включите его на этапе val . Это подходит для небольших перекрывающихся данных.

  • Отдельная голова
  • DCNv2
  • ВБФ
  • DCNv3
  • НЗД

приложение

  • Развертывание и использование TFjs

  • TensorRT развертывает YOLOv5

  • Использование графического интерфейса Pyqt

  • Приложение YOLOv5 WeChat
  • Помощник по созданию набора данных YOLOv5
  • YOLOv5 в одной коробке с несколькими этикетками
  • Улучшение тумана

?Навык

  • Обучение и тестирование модели YOLOv5, а также обучающий контент по развертыванию нескольких терминалов
  • Понять реализацию YOLOv5-OneFlow от нуля до единицы
  • YOLOV5 Проблема расчета FPS
  • Знакомство с шейным модулем серии YOLO
  • Подробное объяснение улучшения данных YOLOv5 (hyp.scratch-low.yaml и augmentations.py).
  • В любую версию YOLOv5 добавлена ​​визуализация тепловой карты Grad-CAM.
  • Метод шифрования и дешифрования веса модели, обученный YOLOv5
  • Серия YOLOv5: 6. Измените Soft-NMS, Soft-CIoUNM...
  • Серия YOLOv5: объединение пространственных пирамид улучшает SPPF/SPPFCSPC...
  • YOLOv5 | Независимый слой самообслуживания для визуальных задач
  • Шифрование кода проекта YOLOv5
  • YOLOv5: добавлен вывод о частоте пропущенных обнаружений и частоте ложных обнаружений.
  • Анализ YOLOv5 | Нарисуйте таблицу сравнения данных файла results.csv
  • Хитрости стратегии выборки изображений YOLOv5 — выборка по весу каждой категории набора данных
  • Как YOLOv5 выполняет обнаружение региональных целей (пошаговое руководство)
  • Комплексный обзор статей по двумерному обнаружению целей (37 статей)
  • Я прочитал более 30 профильных китайских журналов, которые за одну ночь улучшили YOLO.
  • Сборник основных статей о последних улучшениях CNKI в YOLO. Краткий обзор 22 инноваций |
  1. Малый убийца обнаружения целей: yolov5-pip и sahi
  2. Главный убийца обнаружения небольших целей: улучшение набора данных

Следует отметить, что данные обучения и вывода остаются в одной и той же форме данных, то есть вы не можете обучать неразрезанные графы и делать выводы на основе разрезанных графов!

  1. Справочник по выбору незрелого оптимизатора:

?обратитесь к

  • 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

?Работа

  • 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

?Цитировать 

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

способствовать

Расширять
Дополнительная информация
Связанные приложения
Рекомендуем вам
Связанные новости Все