Được TopGit lập chỉ mục từ metadata GitHub: AlexeyAB/yolor có 15 sao, viết chủ yếu bằng Python. implementation of paper - You Only Learn One Representation: Unified Network for Multiple Tasks (https://arxiv.org/abs/2105.04206)
Tóm tắt dựng từ metadata GitHub của chính dự án — chưa có bài review TopGit. Trang sẽ tự động cập nhật khi bài review đầy đủ được xuất bản.
VÌ SAO CHƯA CÓ REVIEW
TopGit viết bài đầy đủ cho repo có nhiều sao nhất và được yêu cầu nhiều nhất. Trang này là snapshot trong thời gian chờ — xem README gốc ở tab READ ME.
implementation of paper - You Only Learn One Representation: Unified Network for Multiple Tasks
Developing... (weights)
Model
Test Size
APtest
AP50test
AP75test
APStest
APMtest
APLtest
batch1 throughput
YOLOR-P6
1280
54.1%
71.8%
59.3%
36.2%
58.1%
65.8%
76 fps
YOLOR-W6
1280
55.5%
73.2%
60.6%
37.6%
59.5%
67.7%
66 fps
YOLOR-E6
1280
56.4%
74.1%
61.6%
39.1%
60.1%
68.2%
45 fps
YOLOR-D6
1280
57.3%
75.0%
62.7%
40.4%
61.2%
69.2%
34 fps
To reproduce the results in the paper, please use this branch.
Model
Test Size
APtest
AP50test
AP75test
APStest
APMtest
APLtest
batch1 throughput
YOLOR-P6
1280
52.6%
70.6%
57.6%
34.7%
56.6%
64.2%
76 fps
YOLOR-W6
1280
54.1%
72.0%
59.2%
36.3%
57.9%
66.1%
66 fps
YOLOR-E6
1280
54.8%
72.7%
60.0%
36.9%
58.7%
66.9%
45 fps
YOLOR-D6
1280
55.4%
73.3%
60.6%
38.0%
59.2%
67.1%
34 fps
YOLOv4-P5
896
51.8%
70.3%
56.6%
33.4%
55.7%
63.4%
41 fps
YOLOv4-P6
1280
54.5%
72.6%
59.8%
36.6%
58.2%
65.5%
30 fps
YOLOv4-P7
1536
55.5%
73.4%
60.8%
38.4%
59.4%
67.7%
16 fps
Model
Test Size
APval
AP50val
AP75val
APSval
APMval
APLval
FLOPs
weights
YOLOR-P6
1280
52.5%
70.6%
57.4%
37.4%
57.3%
65.2%
326G
yolor-p6.pt
YOLOR-W6
1280
54.0%
72.1%
59.1%
38.1%
58.8%
67.0%
454G
yolor-w6.pt
YOLOR-E6
1280
54.6%
72.5%
59.8%
39.9%
59.0%
67.9%
684G
yolor-e6.pt
YOLOR-D6
1280
55.4%
73.5%
60.6%
40.4%
60.1%
68.7%
937G
yolor-d6.pt
YOLOR-S
640
40.7%
59.8%
44.2%
24.3%
45.7%
53.6%
21G
YOLOR-SDWT
640
40.6%
59.4%
43.8%
23.4%
45.8%
53.4%
21G
YOLOR-S2DWT
640
39.9%
58.7%
43.3%
21.7%
44.9%
53.4%
20G
YOLOR-S3S2D
640
39.3%
58.2%
42.4%
21.3%
44.6%
52.6%
18G
YOLOR-S3DWT
640
39.4%
58.3%
42.5%
21.7%
44.3%
53.0%
18G
YOLOR-S4S2D
640
36.9%
55.3%
39.7%
18.1%
41.9%
50.4%
16G
weights
YOLOR-S4DWT
640
37.0%
55.3%
39.9%
18.4%
41.9%
51.0%
16G
weights
New training scheme: train 300 epochs only.
Model
Test Size
APtest
AP50test
AP75test
APStest
APMtest
APLtest
batch1 throughput
YOLOR-P6
1280
53.2%
70.8%
58.2%
35.3%
57.3%
64.6%
76 fps
YOLOR-W6
1280
54.7%
72.2%
59.8%
36.7%
58.7%
66.7%
66 fps
YOLOR-E6
1280
55.5%
73.1%
60.7%
37.9%
59.2%
67.2%
45 fps
YOLOR-D6
1280
56.1%
73.8%
61.4%
38.8%
59.9%
68.4%
34 fps
Installation
Docker environment (recommended)
Expand
# create the docker container, you can change the share memory size if you have more.
nvidia-docker run --name yolor -it -v your_coco_path/:/coco/ -v your_code_path/:/yolor --shm-size=64g nvcr.io/nvidia/pytorch:20.11-py3
# apt install required packages
apt update
apt install -y zip htop screen libgl1-mesa-glx
# pip install required packages
pip install seaborn thop
# install mish-cuda if you want to use mish activation
# https://github.com/thomasbrandon/mish-cuda
# https://github.com/JunnYu/mish-cuda
cd /
git clone https://github.com/JunnYu/mish-cuda
cd mish-cuda
python setup.py build install
# install pytorch_wavelets if you want to use dwt down-sampling module
# https://github.com/fbcotter/pytorch_wavelets
cd /
git clone https://github.com/fbcotter/pytorch_wavelets
cd pytorch_wavelets
pip install .
# go to code folder
cd /yolor
Colab environment
Expand
git clone -b paper https://github.com/WongKinYiu/yolor
cd yolor
# pip install required packages
pip install -qr requirements.txt
# install mish-cuda if you want to use mish activation
# https://github.com/thomasbrandon/mish-cuda
# https://github.com/JunnYu/mish-cuda
git clone https://github.com/JunnYu/mish-cuda
cd mish-cuda
python setup.py build install
cd ..
# install pytorch_wavelets if you want to use dwt down-sampling module
# https://github.com/fbcotter/pytorch_wavelets
git clone https://github.com/fbcotter/pytorch_wavelets
cd pytorch_wavelets
pip install .
cd ..
@article{wang2021you,
title={You Only Learn One Representation: Unified Network for Multiple Tasks},
author={Wang, Chien-Yao and Yeh, I-Hau and Liao, Hong-Yuan Mark},
journal={arXiv preprint arXiv:2105.04206},
year={2021}
}
AlexeyAB/yolor có 15 sao GitHub — tải lại trang để xem số mới nhất, hoặc xem trực tiếp github.com/AlexeyAB/yolor. TopGit phản chiếu số sao của GitHub nhưng không cam kết đến từng phút.
AlexeyAB/yolor có tag gì không?
Bản đồng bộ chưa ghi nhận topic GitHub nào cho AlexeyAB/yolor. GitHub topics hiển thị ở thanh bên phải trang repo — đó là nơi đáng kiểm tra nhất.
AlexeyAB/yolor có website riêng không?
TopGit chưa ghi nhận URL trang chủ cho AlexeyAB/yolor. Phần README ở tab phía trên thường có link demo, hoặc xem mô tả GitHub của repo.
AlexeyAB/yolor còn đang phát triển không?
Commit gần nhất trên AlexeyAB/yolor là 4.0 năm trước (theo timestamp GitHub). Repo có 3 fork — một chỉ báo về mức độ quan tâm của cộng đồng.
AlexeyAB/yolor dùng license gì?
AlexeyAB/yolor phát hành theo license GPL-3.0. Nên mở file LICENSE trên GitHub để xác nhận — license metadata đôi khi lệch với thực tế dự án.
AlexeyAB/yolor viết bằng ngôn ngữ gì?
AlexeyAB/yolor chủ yếu viết bằng Python. Trường "language" của GitHub dựa trên phần lớn byte ở nhánh mặc định.
Đọc thêm về AlexeyAB/yolor ở đâu?
Trang TopGit này là một snapshot — tab "Readme" hiển thị nguyên văn README của repo (đã bỏ link, giữ ảnh). Repo GitHub ở github.com/AlexeyAB/yolor là nguồn chính thức.
Đọc đầy đủ README ở tab phía trên.
Chưa chắc yolor có hợp với bạn?
Để ChatGPT, Claude hoặc Perplexity tìm hiểu giúp — bấm bên dưới và xem AI nói gì về yolor.
/yolor
