WongKinYiu/yolor được TopGit xếp vào nhóm công cụ AI, với 2.0k sao trên GitHub, 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
To get the results on the table, please use this branch.
Model
Test Size
APtest
AP50test
AP75test
batch1 throughput
batch32 inference
YOLOR-CSP
640
52.8%
71.2%
57.6%
106 fps
3.2 ms
YOLOR-CSP-X
640
54.8%
73.1%
59.7%
87 fps
5.5 ms
YOLOR-P6
1280
55.7%
73.3%
61.0%
76 fps
8.3 ms
YOLOR-W6
1280
56.9%
74.4%
62.2%
66 fps
10.7 ms
YOLOR-E6
1280
57.6%
75.2%
63.0%
45 fps
17.1 ms
YOLOR-D6
1280
58.2%
75.8%
63.8%
34 fps
21.8 ms
YOLOv4-P5
896
51.8%
70.3%
56.6%
41 fps (old)
-
YOLOv4-P6
1280
54.5%
72.6%
59.8%
30 fps (old)
-
YOLOv4-P7
1536
55.5%
73.4%
60.8%
16 fps (old)
-
Fix the speed bottleneck on our NFS, many thanks to NCHC, TWCC, and NARLabs support teams.
Model
Test Size
APval
AP50val
AP75val
APSval
APMval
APLval
weights
YOLOv4-CSP
640
49.1%
67.7%
53.8%
32.1%
54.4%
63.2%
-
YOLOR-CSP
640
49.2%
67.6%
53.7%
32.9%
54.4%
63.0%
weights
YOLOR-CSP*
640
50.0%
68.7%
54.3%
34.2%
55.1%
64.3%
weights
YOLOv4-CSP-X
640
50.9%
69.3%
55.4%
35.3%
55.8%
64.8%
-
YOLOR-CSP-X
640
51.1%
69.6%
55.7%
35.7%
56.0%
65.2%
weights
YOLOR-CSP-X*
640
51.5%
69.9%
56.1%
35.8%
56.8%
66.1%
weights
Developing...
Model
Test Size
APtest
AP50test
AP75test
APStest
APMtest
APLtest
YOLOR-CSP
640
51.1%
69.6%
55.7%
31.7%
55.3%
64.7%
YOLOR-CSP-X
640
53.0%
71.4%
57.9%
33.7%
57.1%
66.8%
Train from scratch for 300 epochs...
Model
Info
Test Size
AP
YOLOR-CSP
evolution
640
48.0%
YOLOR-CSP
strategy
640
50.0%
YOLOR-CSP
strategy + simOTA
640
51.1%
YOLOR-CSP-X
strategy
640
51.5%
YOLOR-CSP-X
strategy + simOTA
640
53.0%
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 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{wang2023you,
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={Journal of Information Science and Engineering},
year={2023}
}
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/WongKinYiu/yolor là nguồn chính thức.
WongKinYiu/yolor có bao nhiêu sao?
WongKinYiu/yolor có 2.0k sao GitHub — tải lại trang để xem số mới nhất, hoặc xem trực tiếp github.com/WongKinYiu/yolor. TopGit phản chiếu số sao của GitHub nhưng không cam kết đến từng phút.
WongKinYiu/yolor có phải mã nguồn mở không?
Có — WongKinYiu/yolor phát hành theo license GPL-3.0, nghĩa là mã nguồn mở để đọc, fork và (tùy license) tái sử dụng. Mã: github.com/WongKinYiu/yolor.
WongKinYiu/yolor còn đang phát triển không?
Commit gần nhất trên WongKinYiu/yolor là 1.8 năm trước (theo timestamp GitHub). Repo có 507 fork — một chỉ báo về mức độ quan tâm của cộng đồng.
WongKinYiu/yolor là gì?
WongKinYiu/yolor (WongKinYiu/yolor) là dự án Python trên GitHub. Theo mô tả gốc: implementation of paper - You Only Learn One Representation: Unified Network for Multiple Tasks (https://arxiv.org/abs/2105.04206)
WongKinYiu/yolor so với các dự án AI Tools khác thế nào?
WongKinYiu/yolor được TopGit xếp vào nhóm AI Tools, với 2.0k sao GitHub và viết bằng Python. Xem trang chủ đề AI Tools trên TopGit để so sánh với các dự án tương tự theo số sao và mức độ hoạt động.
Đọc đầy đủ README ở tab phía trên.
yolor có đáng để bạn bỏ thời gian?
ChatGPT, Claude và Perplexity đều đọc được trang này. Hỏi thử xem họ nghĩ gì về yolor.
/yolor
