DAMOYOLO-高性能通用检测模型-M

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-M。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TinyNAS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neck、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-M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。

模型评测

Model	size	mAP^val 0.5:0.95	Latency(ms) T4-TRT-FP16	FLOPs (G)	Parameters(M)
YOLOX-M	640	46.9	6.46	73.8	25.3
YOLOv5-M	640	45.4	5.71	49.0	21.2
YOLOv6-M	640	49.5	5.72	82.2	34.3
YOLOv7	640	51.2	9.08	104.7	36.9
PP-YOLOE-M	640	49.0	6.67	49.9	23.4
DAMO-YOLO-M	640	50.0	5.62	61.8	28.2

表中汇报的mAP是COCO2017 val集上的结果。
表中汇报的latency不包括后处理（nms）时间，其测试条件为：T4 GPU，TensorRT=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Pipeline调用使用当前模型。具体代码示例如下：

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

模型可视化效果

引用

 @article{damoyolo,
  title={DAMO-YOLO: A Report on Real-Time Object Detection Design},
  author={Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang and Xiuyu Sun},
  journal={arXiv preprint arXiv:2211.15444v2},
  year={2022}
}