vegetable_recognize

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-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

Model size mAPval0.5:0.95 Latency(ms)T4-TRT-FP16 FLOPs(G) Parameters(M)

• ----- :---: :---: :---: :---: :---:

YOLOX-S 640 40.5 3.20 26.8 9.0

YOLOv5-S 640 37.4 3.04 16.5 7.2

YOLOv6-S 640 43.5 3.10 44.2 17.0

PP-YOLOE-S 640 43.0 3.21 17.4 7.9

• *DAMO-YOLO-S** 640 46.8 3.83 37.8 16.3

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：

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xianzhe.xxz@alibaba-inc.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：

随后，可以将您的自定数据组织成如下结构：

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，trainer会自动从‘damo/cv tinynas object-detection 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。

• *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：

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！

• *人体检测** **安全帽检测**

:---: :---:

• *口罩检测** **香烟检测**

模型可视化效果

Quote