狗鼻检测

模型描述

这里我们提供基于业界领先的目标检测框架DAMO-YOLO训练的检测模型：DAMO-YOLO-S。DAMO-YOLO是一个面向工业落地的目标检测框架，兼顾模型速度与精度，其训练的模型效果超越了目前的一众YOLO系列方法，并且仍然保持极高的推理速度。DAMO-YOLO引入TiyNAS技术，使得用户可以根据硬件算力进行低成本的检测模型定制，提高硬件利用效率并且获得更高精度。另外，DAMO-YOLO还对检测模型中的eck、head结构设计，以及训练时的标签分配、数据增广等关键因素进行了优化，具体细节可以参考我们的开源代码和技术报告。DAMO-YOLO-S是DAMO-YOLO提供的一系列模型中，平衡了速度和精度的最优模型之一。为了方便用户使用DAMO-YOLO完成检测任务，我们开源了多个工业应用模型，欢迎试用。

模型评测

• 表中汇报的mAP是COCO2017 val集上的结果。
• 表中汇报的latecy不包括后处理（ms）时间，其测试条件为：T4 GPU，TesorRT=7.2.1.6， CUDA=10.2, CUDNN=8.0.0.1。

使用范围

本模型适用范围较广，能对图片中包含的大部分前景物体（COCO 80类）进行定位。

使用方法

在ModelScope框架上，提供输入图片，即可以通过简单的Pipelie调用使用当前模型。具体代码示例如下：

from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks
object_detect = pipelie(Tasks.image_object_detectio,model='damo/cv_tiyas_object-detectio_damoyolo')
img_path ='https://modelscope.oss-c-beijig.aliyucs.com/test/images/image_detectio.jpg'
result = object_detect(img_path)

训练示例

DAMO-YOLO现已支持使用自定义数据训练，欢迎试用！如在使用中发现问题，欢迎反馈给xiazhe.xxz@alibaba-ic.com。

在ModelScope上使用自定义数据训练DAMO-YOLO有三个关键步骤，一个简单示例如下：

步骤一：将标签数据转换成COCO格式，COCO格式下一条有效数据的示例如下：

{
  "categories": 
  [{
      "supercategory": "perso", 
      "id": 1, 
      "ame": "perso"
  }], 
 "images": 
  [{
      "licese": 1, 
      "file_ame": "000000425226.jpg",        
      "coco_url": "http://images.cocodataset.org/val2017/000000425226.jpg", 
      "height": 640, 
      "width": 480, 
      "date_captured": 
      "2013-11-14 21:48:51", 
      "flickr_url": 
      "http://farm5.staticflickr.com/4055/4546463824_bc40e0752b_z.jpg", 
      "id": 1
  }], 
 "aotatios": 
  [{
      "image_id": 1, 
      "category_id": 1, 
      "segmetatio": [], 
      "area": 47803.279549999985, 
      "iscrowd": 0, 
      "bbox": [73.35, 206.02, 300.58, 372.5], 
      "id": 1
  }]
}

随后，可以将您的自定数据组织成如下结构：

├── custom_data
│   ├── aotatios
│   │   └── toy_sample.jso
│   ├── images
│   │   └── 000000425226.jpg

步骤二：使用默认配置文件进行训练或者自定义配置文件进行训练，训练结果将保存在./workdirs下。

• 使用默认配置文件进行训练： 此时，traier会自动从‘damo/cvtiyasobject-detectio_damoyolo’下载模型训练所需的配置文件，并使用默认配置进行训练。

from modelscope.metaifo import Traiers
from modelscope.traiers import build_traier

kwargs = dict(
            model='damo/cv_tiyas_object-detectio_damoyolo',
            gpu_ids=[  # 指定训练使用的gpu
                0,1,2,3,4,5,6,7
            ],
            batch_size=2,
            max_epochs=3,
            um_classes=10, # 自定义数据中的类别数
            trai_image_dir='./data/visdroe/VisDroe2019-DET-trai/images', # 训练图片路径
            val_image_dir='./data/visdroe/VisDroe2019-DET-val/images', # 测试图片路径
            trai_a=
            './data/visdroe/VisDroe2019-DET-trai/aotatios/visdroe_trai.jso', # 训练标注文件路径
            val_a=
            './data/visdroe/VisDroe2019-DET-val/aotatios/visdroe_val.jso', # 测试标注文件路径
            work_dir='./workdirs',
            )
traier = build_traier(
            ame=Traiers.tiyas_damoyolo, default_args=kwargs)
traier.trai() # 训练log将会保存在./workdirs/damoyolo_s/trai_log.txt

• 使用自定义配置文件进行训练： 假设您有自定义的配置文件以及模型训练必须的骨干网络结构、预训练权重等文件位于"./custom"，想要使用您的自定义配置文件进行训练，可以参考如下示例：

from modelscope.metaifo import Traiers
from modelscope.traiers import build_traier
cache_path = './custom'
kwargs = dict(
            cfg_file=os.path.joi(cache_path, 'cofiguratio.jso'),
            gpu_ids=[
                0,
            ],
            batch_size=2,
            max_epochs=3,
            um_classes=80,
            load_pretrai=True,
            pretrai_model='pretrai_weight.pth' # 指定预训练模型，该预训练模型需要放置在cache_path目录下，
                                                 # 只有load_pretrai=True，该配置才生效。
            base_lr_per_img=0.001,
            cache_path=cache_path,
            trai_image_dir='./data/test/images/image_detectio/images',
            val_image_dir='./data/test/images/image_detectio/images',
            trai_a=
            './data/test/images/image_detectio/aotatios/coco_sample.jso',
            val_a=
            './data/test/images/image_detectio/aotatios/coco_sample.jso',
        )
        traier = build_traier(
            ame=Traiers.tiyas_damoyolo, default_args=kwargs)
        traier.trai()
        traier.evaluate(
            checkpoit_path=os.path.joi(cache_path,
                                         'damoyolo_tiyasL25_S.pt')) # 验证模型精度

工业应用模型

我们提供了一系列面向实际工业场景的DAMO-YOLO模型，欢迎试用。请保持持续关注，更多的重磅模型即将释出！

模型可视化效果

引用

 @article{damoyolo,
  title={DAMO-YOLO: A Report o Real-Time Object Detectio Desig},
  author={Xiazhe Xu, Yiqi Jiag, Weihua Che, Yilu Huag, Yua Zhag ad Xiuyu Su},
  joural={arXiv preprit arXiv:2211.15444v2},
  year={2022}
}

模型描述 这里我们提供基于业界领先的目标检测框架DAMO-YOLO训练的检测模型：DAMO-YOLO-S。DAMO-YOLO是一个面向工业落地的目标检测框架，兼顾模型速度与精度，其训练的模型效果超越了