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-T。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-T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。
Model | size | mAPval 0.5:0.95 |
Latency(ms) T4-TRT-FP16 |
FLOPs (G) |
Parameters(M) |
---|---|---|---|---|---|
YOLOX-T | 416 | 32.8 | 1.78 | 6.5 | 5.1 |
YOLOv5-N | 640 | 28.0 | 2.23 | 4.5 | 1.9 |
YOLOv5-S | 640 | 37.4 | 3.04 | 16.5 | 7.2 |
YOLOv6-T | 640 | 40.3 | 2.53 | 36.7 | 15.0 |
YOLOv7-T | 640 | 38.7 | 3.13 | 13.7 | 6.2 |
DAMO-YOLO-T | 640 | 43.0 | 2.78 | 18.1 | 8.5 |
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-t')
img_path ='https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_detection.jpg'
result = object_detect(img_path)
@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}
}