ดาวน์โหลด BestYOLO - ดาวน์โหลดซอร์สโค้ด BestYOLO

BestYOLO

โค้ดแหล่งที่มา AI

1.0.0

ดาวน์โหลด

BestYOLO เป็นกรอบการฝึก YOLO ที่ดีที่สุดที่มุ่งเน้นโดยการวิจัยทางวิทยาศาสตร์และการแข่งขัน!

ปัจจุบัน BestYOLO เป็นไลบรารีโอเพ่นซอร์สที่ได้รับการปรับปรุงอย่างสมบูรณ์โดยใช้ YOLOv5 v7.0 ไลบรารีจะเน้นไปที่การใช้งานจริงโดยมีเป้าหมายอยู่ที่การพกพาและความสะดวกในการใช้งาน และจะทำให้การปรับปรุงโมดูลต่างๆ ง่ายขึ้น ปัจจุบัน อัลกอริธึมการตรวจจับเป้าหมาย YOLOv5 ซึ่งอิงตามโมเดล Backbone ของ torchvision.models ได้รับการบูรณาการแล้ว และแอปพลิเคชัน YOLOv5 อื่นๆ จะค่อยๆ กลายเป็นโอเพ่นซอร์ส

?ทำให้ดีขึ้น

Backbone-ResNet18 สอดคล้องกับ resnet18
Backbone-RegNet_y_400mf จัดตำแหน่ง regnet_y_400mf
Backbone-MobileNetV3 ขนาดเล็กจัด mobilenet_v3_small
Backbone-EfficientNet_B0 จัดชิด Efficientnet_b0
Backbone-ResNet34 สอดคล้องกับ resnet34
Backbone-ResNet50 จัดตำแหน่ง resnet50
Backbone-EfficientNetV2_s จัดชิด Efficientnet_v2_s
Backbone-EfficientNet_B1 สอดคล้อง Efficientnet_b1
Backbone-MobileNetV2 สอดคล้องกับ mobilenet_v2
Backbone-wide_resnet50_2 จัดแนว wide_resnet50_2
Backbone-VGG11_BN จัดตำแหน่ง vgg11_bn
Backbone-Convnext Tiny จัดตำแหน่ง convnext_tiny

รุ่น Backbone ทั้งหมดรองรับการเปิดใช้งานตุ้มน้ำหนักที่ฝึกไว้แล้วโดยการเพิ่ม pretrained=True ให้กับรุ่น common.py แต่ละรุ่น ตุ้มน้ำหนักที่ผ่านการฝึกอบรมล่วงหน้าใน torchvision.models ทั้งหมดได้รับการฝึกอบรมตามชุดข้อมูล ImageNet-1K!

โมเดล	ชั้น	พารามิเตอร์	ขนาดรุ่น(เมกะไบต์)
yolov5n	214	1766623	3.9
MobileNetV3s	313	2137311	4.7
มีประสิทธิภาพnet_b0	443	6241531	13.0
RegNety400	450	5000191	10.5
ResNet18	177	12352447	25.1
ResNet34	223	22460607	45.3
เรสเน็ต50	258	27560895	55.7
EfficientNetV2_s	820	22419151	45.8
มีประสิทธิภาพnet_b1	539	6595615	13.8
โมบายเน็ต_v2	320	4455295	9.4
wide_resnet50_2	258	70887103	142.3
vgg11_bn	140	10442879	21.9
convnext_tiny	308	29310175	59.0

คุณสามารถลองตั้ง depth_multiple และ width_multiple ในไฟล์คอนฟิกูเรชัน .yaml เป็น 1 พร้อมกัน บางทีมันอาจจะให้ผลลัพธ์ที่ดี

SPP คือการรวมพีระมิดเชิงพื้นที่ ซึ่งใช้เพื่อให้ได้เอาต์พุตขนาดที่ปรับเปลี่ยนได้ (ขนาดเอาต์พุตของเลเยอร์การรวมกลุ่มแบบดั้งเดิม เช่น การรวมกลุ่มสูงสุดและการรวมกลุ่มเฉลี่ยจะเชื่อมโยงกับขนาดอินพุต แต่ในที่สุดเมื่อเราสร้างเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์เพื่อใช้การจัดหมวดหมู่ เราจำเป็นต้องระบุอินพุตที่เชื่อมต่ออย่างสมบูรณ์ ดังนั้นเราจึงต้องมีวิธี ปล่อยให้โครงข่ายประสาทเทียม เครือข่ายได้รับเอาต์พุตมิติคงที่ที่เลเยอร์หนึ่ง และวิธีนี้ดีที่สุดที่จะไม่ปรับขนาด (การปรับขนาดจะทำให้เกิดการบิดเบือน) ดังนั้น SPP จึงถูกเสนอครั้งแรกโดย He Kaiming และนำไปใช้กับ RCNN แบบอย่าง). SPP ในปัจจุบันได้พัฒนาเป็น Multi-Scale-ROI-Align ในปัจจุบันบน rcnn ที่เร็วขึ้น และพัฒนาเป็น SPPF บน Yolo

yolov5n(SPPF)
โยลอฟ5n-SPP
yolov5n-SimSPPF
yolov5n-ASPP
yolov5n-RFB
yolov5n-SPPCSPC
yolov5n-SPPCSPC_group
yolov5n-SimCSSPSPPF

โมเดล	ชั้น	พารามิเตอร์
yolov5n(SPPF)	214	1766623
โยลอฟ5n-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

โมเดล	ชั้น	พารามิเตอร์
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

การกำหนดการขนส่งที่เหมาะสมที่สุด
การฝึกอบรมที่ได้รับความช่วยเหลือ การกำหนดการขนส่งที่เหมาะสมที่สุด
ซอฟท์-NMS

อย่าใช้ Soft-NMS ในการฝึกอบรม ใช้เวลานานเกินไป โปรดเปิดใช้งานในช่วง val

แยกหัว
DCNv2
WBF
DCNv3
นวด

แอปพลิเคชัน

การปรับใช้และการใช้งาน TFjs
TensorRT ปรับใช้ YOLOv5
การใช้งาน Pyqt GUI

แอพเพล็ต YOLOv5 WeChat

YOLOv5 ตัวช่วยในการผลิตชุดข้อมูล

YOLOv5 กล่องเดียวหลายป้าย

การเพิ่มหมอก

?ทักษะ

การฝึกอบรมและการทดสอบโมเดล YOLOv5 และเนื้อหาการสอนการใช้งานหลายเทอร์มินัล
ทำความเข้าใจการใช้งาน YOLOv5-OneFlow จากศูนย์ถึงหนึ่ง
ปัญหาการคำนวณ YOLOV5 FPS
ข้อมูลเบื้องต้นเกี่ยวกับโมดูลคอของซีรีส์ YOLO
คำอธิบายโดยละเอียดของการเพิ่มประสิทธิภาพข้อมูล YOLOv5 (hyp.scratch-low.yaml และ augmentations.py)
YOLOv5 ทุกเวอร์ชันจะเพิ่มการแสดงภาพแผนที่ความร้อน Grad-CAM
วิธีการเข้ารหัสและถอดรหัสน้ำหนักแบบจำลองที่ฝึกโดย YOLOv5
ซีรี่ส์ YOLOv5: 6. ปรับเปลี่ยน Soft-NMS, Soft-CIoUNM...
ซีรี่ส์ YOLOv5: การรวมพีระมิดเชิงพื้นที่ช่วยเพิ่ม SPPF/SPPFCSPC...
YOLOv5 | เลเยอร์การเอาใจใส่ตนเองที่เป็นอิสระสำหรับงานด้านภาพ
การเข้ารหัสรหัสโครงการ YOLOv5
YOLOv5: เพิ่มอัตราการตรวจจับที่พลาดและเอาต์พุตอัตราการตรวจจับที่ผิดพลาด
การวิเคราะห์ YOLOv5 | วาดแผนภูมิเปรียบเทียบข้อมูลไฟล์ results.csv
เคล็ดลับ YOLOv5-กลยุทธ์การสุ่มตัวอย่างภาพ-การสุ่มตัวอย่างตามน้ำหนักของแต่ละประเภทของชุดข้อมูล
YOLOv5 ดำเนินการตรวจจับเป้าหมายตามภูมิภาคอย่างไร (บทช่วยสอนทีละขั้นตอน)
การตรวจสอบเอกสารการตรวจจับเป้าหมาย 2 มิติอย่างครอบคลุม (37 บทความ)
ฉันอ่านวารสารหลักของจีนมากกว่า 30 ฉบับที่ช่วยปรับปรุง YOLO ในชั่วข้ามคืน
คอลเลกชันเอกสารหลักเกี่ยวกับการปรับปรุงล่าสุดของ CNKI สำหรับ YOLO | ภาพรวมโดยย่อของ 22 นวัตกรรม

นักฆ่าการตรวจจับเป้าหมายขนาดเล็ก: yolov5-pip และ sahi
นักฆ่ารายใหญ่ของการตรวจจับเป้าหมายขนาดเล็ก: การเพิ่มประสิทธิภาพข้อมูลแบบอัดแน่น

ควรสังเกตว่าข้อมูลการฝึกอบรมและการอนุมานยังคงอยู่ในรูปแบบข้อมูลเดียวกัน นั่นคือคุณไม่สามารถฝึกผ่านกราฟแบบไม่ตัดและอนุมานตามกราฟตัดได้!

การอ้างอิงการเลือกเครื่องมือเพิ่มประสิทธิภาพที่ยังไม่สมบูรณ์:

?อ้างถึง

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

?งาน

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

?อ้าง

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