阿里的EasyCV

最新推荐文章于 2024-09-10 09:17:16 发布

Climber.pI

最新推荐文章于 2024-09-10 09:17:16 发布

阅读量29

点赞数

阿里又来卷了 ,说又比别人厉害了 ,还没测试哦, 只是搬运工来讨论哦

说是 YoloX大升级新框架，超越Yolov6和PPYoloE

阿里的EasyCV_人工智能

代码地址： https://github. com/alibaba/EasyCV

EasyCV是阿里巴巴开源的基于Pytorch，以自监督学习和Transformer技术为核心的 all-in-one 视觉算法建模工具。EasyCV在阿里巴巴集团内支撑了搜索、淘系、优酷、飞猪等多个BU业务，同时也在阿里云上服务了若干企业客户，通过平台化组件的形式，满足客户自定定制化模型、解决业务问题的需求。

阿里的EasyCV_卷积_02

此外，基于PAI团队多年积累的深度学习训练、推理加速技术，在EasyCV中也集成了IO优化，模型训练加速、量化裁剪等功能，在性能上具备自己的优势。基于阿里云的PAI产品生态，用户可以方便地进行模型管理、在线服务部署、大规模离线推理任务。

阿里的EasyCV_Blade_03

将YOLO检测器切换为无锚方式，并采用其他先进的检测技术，即解耦头和领先的标签分配策略SimOTA，以在大范围的模型中实现最先进的结果：对于只有0.91M参数和1.08GFLOPs的YOLO Nano，我们在COCO上获得25.3%的AP，超过NanoDet 1.8%的AP；对于工业上使用最广泛的探测器之一YOLOv3，我们在COCO上将其AP提高到47.3%，比当前的最佳做法高出3.0%AP；对于与YOLOv4 CSP、YOLOv5-L参数量大致相同的YOLOX-L，我们在COCO上以68.9 FPS的速度在Tesla V100上实现了50.0%的AP，超过了YOLOv5-L 1.8%的AP。

考虑到EasyCV的一些特性：

丰富完善的自监督算法体系：囊括业界有代表性的图像自监督算法SimCLR, MoCO, Swav, Moby, DINO等，以及基于mask图像预训练方法MAE，同时提供了详细的benchmark工具及复现结果。
丰富的预训练模型库：提供丰富的预训练模型，在以transformer模型为主的基础上，也包含了主流的CNN 模型, 支持ImageNet预训练和自监督预训练。兼容PytorchImageModels支持更为丰富的视觉Transformer backbone。
易用性和可扩展性：支持配置方式、API调用方式进行训练、评估、模型导出；框架采用主流的模块化设计，灵活可扩展。
高性能：支持多机多卡训练和评估，fp16训练加速。针对自监督场景数据量大的特点，利用DALI和TFRecord文件进行IO方面的加速。对接阿里云机器学习PAI平台训练加速、模型推理优化。

研究者基于EasyCV引入了YoloX-PAI，各种实验得出了影响YoloX的元素，并且提供了PAI-Blade，一种简单的实现方式，用于加速基于BladeDISC和TensorRT的推理过程。

阿里的EasyCV_深度学习_04