AIRDet-高性能检测模型-S
AIRDet高性能检测模型是基于Tiny-NAS技术设计出的卷积神经网络,具有精度高、速度快的特点,这里只提供S模型。借助Tiny-NAS技术能够实现针对硬件算力的最优模型搜索能力,更多模型请参考README获取。
  • 模型资讯
  • 模型资料

AIRDet 介绍

AIRDet是一个面向工业落地的目标检测框架,目的是针对复杂多变的工业场景提供开箱即用的目标检测能力。

模型描述

这里我们提供基于检测框架AIRDet训练的轻量化检测模型:AIRDet-S。AIRDet-S中使用了引入了Giraffe neck、GFLv2 head、AutoAugmentation等技术,使其在精度上超越了目前的一众YOLO(YOLOX-s, YOLOv6-s, YOLOe-s),并且仍然保持极高的推理速度。

期望模型使用方式与适用范围

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。

如何使用

在ModelScope框架上,提供输入图片,即可以通过简单的Pipeline调用当前模型,模型将输出图片中物体的坐标。

代码范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
object_detect = pipeline(Tasks.image_object_detection,model='damo/cv_tinynas_detection')
img_path = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_detection.jpg'
result = object_detect(img_path)
print(result)

模型局限性以及可能的偏差

考虑 GPU 精度等的差异,可能带来一定的性能差异

训练数据介绍

使用标准COCO-2017 数据集。COCO-2017数据集由Microsoft团队提供,包含118287张训练图片、5000张验证图片、40670张测试图片,共包括80类物体。

数据评估及结果

Model size mAPval
0.5:0.95
Latency V100
TRT-FP32-BS32
Latency V100
TRT-FP16-BS32
FLOPs
(G)
weights
Yolox-S 640 40.5 3.4 2.3 26.81 link
AIRDet-S 640 44.2 4.4 2.8 27.56 link
  • 上表中汇报的是COCO2017 val集上的结果。
  • latency以毫秒为单位,计时不包括后处理时间。

引用

@article{jiang2022giraffedet,
  title={GiraffeDet: A Heavy-Neck Paradigm for Object Detection},
    author={Jiang, Yiqi and Tan, Zhiyu and Wang, Junyan and Sun, Xiuyu and Lin, Ming and Li, Hao},
      journal={arXiv preprint arXiv:2202.04256},
        year={2022}
}
@inproceedings{li2021generalized,
  title={Generalized focal loss v2: Learning reliable localization quality estimation for dense object detection},
    author={Li, Xiang and Wang, Wenhai and Hu, Xiaolin and Li, Jun and Tang, Jinhui and Yang, Jian},
      booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
        pages={11632--11641},
          year={2021}
}