我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

YOLOR

2022-02-22 model:yolor-ubuntu18.04-cuda11.0-cudnn8-python3.8-pytorch1.7.0-new

模型标签
目标检测智慧交通/自动驾驶安防监控

模型简介

YOLOR模型于2021年由开发者Chien-Yao Wang, I-Hau Yeh, Hong-Yuan Mark Liao在《You Only Learn One Representation: Unified Network for Multiple Tasks》提出。 人类可以从不同的角度可以分析相同的数据。然而,经过训练的卷积神经网络(CNN)模型通常只能实现一个目标,一般来说,从训练有素的CNN中提取的特征不适用于其他类型的问题。产生上述问题的主要原因是我们只从神经元中提取特征,没有使用CNN中丰富的隐性知识。当真实的人来大脑在运行时,上述的隐性知识可以有效地协助大脑执行各种任务。 图1:人类可以从相同的输入回答不同的问题。我们的目标是训练一个单一的深度神经网络来完成许多任务。 隐性知识是指在潜意识学习地知识。然而没有系统去定义隐性知识如何运作,如何获得隐性知识。在神经网络定义中,从浅层获得的特征通常称为显性知识,从深层获得的特征称为隐性知识。本文将直接把观察到的知识称为显性知识,模型观察不到、与观察无关的知识称为隐性知识。 作者提出一个统一的网络来融合隐性知识(implicit knowledge)和显性知识(explicit knowledge),确保模型包含一个统一的表征(representation),这个统一的表征允许子表征(sub-representation)也适用于其他任务。官方论文:https://arxiv.org/pdf/2105.04206v1.pdf



1. 使用方法

1.1. 模型推断

在终端中,进入目录/root/yolor路径下,运行以下命令:

cd root/yolor
python detect.py --source inference/images/horses.jpg --cfg cfg/yolor_p6.cfg --weights yolor_p6.pt --conf 0.25 --img-size 1280 --device 0 
参数 说明
source SOURCE 待检测文件来源
cfg 模型配置文件路径
conf 置信区间
img-size 待检测图片尺寸
device 指定GPU

1.2. 模型训练

在终端中,进入目录/root/yolor路径下,运行以下命令:

cd root/yolor
python train.py --batch-size 8 --img 1280 1280 --data coco.yaml --cfg cfg/yolor_p6.cfg --weights '' --device 0 --name yolor_p6 --hyp hyp.scratch.1280.yaml --epochs 300 
参数 说明
batch-size 批量尺寸
data 数据集配置文件路径
conf 置信区间
hyp 数据增强配置文件
epoch 批次数量

2. 模型来源

https://github.com/WongKinYiu/yolor