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

  • 1.2. 模型训练

• 2. 模型来源

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 

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 

2. 模型来源

https://github.com/WongKinYiu/yolor