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。
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。
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。
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。
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)
考虑 GPU 精度等的差异,可能带来一定的性能差异
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。
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 |
@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}
}