論文の概要: PP-YOLOE: An evolved version of YOLO

• arxiv url: http://arxiv.org/abs/2203.16250v1
• Date: Wed, 30 Mar 2022 12:31:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 15:46:39.314062
• Title: PP-YOLOE: An evolved version of YOLO
• Title（参考訳）: PP-YOLOE:YOLOの進化版。
• Authors: Shangliang Xu, Xinxin Wang, Wenyu Lv, Qinyao Chang, Cheng Cui, Kaipeng Deng, Guanzhong Wang, Qingqing Dang, Shengyu Wei, Yuning Du, Baohua Lai
• Abstract要約: 工業用最先端物体検出器PP-YOLOEについて述べる。 我々は,従来の PP-YOLOv2 に基づいて,CSPRepResStage,ET-head および動的ラベル代入アルゴリズム TAL を備えたアンカーフリーパラダイム,より強力なバックボーン,ネックを最適化した。 その結果、PP-YOLOE-lはCOCOテストデブで51.4 mAP、Tesla V100で78.1 FPSを達成し(+1.9 AP、+13.35%のスピードアップ)、(+1.3 AP、+24.96%の大幅な改善を実現した。
• 参考スコア（独自算出の注目度）: 4.9022682894446685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this report, we present PP-YOLOE, an industrial state-of-the-art object detector with high performance and friendly deployment. We optimize on the basis of the previous PP-YOLOv2, using anchor-free paradigm, more powerful backbone and neck equipped with CSPRepResStage, ET-head and dynamic label assignment algorithm TAL. We provide s/m/l/x models for different practice scenarios. As a result, PP-YOLOE-l achieves 51.4 mAP on COCO test-dev and 78.1 FPS on Tesla V100, yielding a remarkable improvement of (+1.9 AP, +13.35% speed up) and (+1.3 AP, +24.96% speed up), compared to the previous state-of-the-art industrial models PP-YOLOv2 and YOLOX respectively. Further, PP-YOLOE inference speed achieves 149.2 FPS with TensorRT and FP16-precision. We also conduct extensive experiments to verify the effectiveness of our designs. Source code and pre-trained models are available at https://github.com/PaddlePaddle/PaddleDetection .
• Abstract（参考訳）: 本稿では,高性能で親密な展開が可能な工業用最先端物体検出器PP-YOLOEについて述べる。 我々は,従来の PP-YOLOv2 に基づいて,CSPRepResStage,ET-head および動的ラベル代入アルゴリズム TAL を備えたアンカーフリーパラダイム,より強力なバックボーン,ネックを最適化した。 異なるプラクティスシナリオに対してs/m/l/xモデルを提供します。 その結果、PP-YOLOE-lはCOCOテストデブで51.4 mAP、Tesla V100で78.1 FPSを達成し(+1.9 AP、+13.35%のスピードアップ)、(+1.3 AP、+24.96%のスピードアップ)、従来の最先端産業モデルであるPP-YOLOv2とYOLOXをそれぞれ改善した。 さらに、PP-YOLOE推論速度はTensorRTとFP16精度で129.2 FPSを達成する。 設計の有効性を検証するための広範な実験も行っています。 ソースコードと事前学習されたモデルはhttps://github.com/paddlepaddle/paddledetectionで入手できる。

関連論文リスト

• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• PP-YOLOE-R: An Efficient Anchor-Free Rotated Object Detector [14.263912554269435]
  PP-YOLOE-Rは、PP-YOLOEに基づくアンカーフリー回転物体検出器である。 PP-YOLOE-R-l と PP-YOLOE-R-x は DOTA 1.0 データセット上で 78.14 と 78.28 mAP を達成する。 PP-YOLOE-R-xは全てのアンカーフリー手法を超越し、最先端のアンカーベース2段階モデルとの競合性能を示す。
  論文  参考訳（メタデータ） (2022-11-04T11:38:30Z)
• TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios [19.12254722446651]
  ドローンが捉えたシナリオにおけるオブジェクト検出は一般的なタスクである。 高速で低高度の飛行では、密集した物体の運動がぼやけてしまう。 YOLOv5に基づいて、異なるスケールのオブジェクトを検出するために、さらに1つの予測ヘッドを追加します。 我々は、元の予測ヘッドをトランスフォーマー予測ヘッドに置き換える。
  論文  参考訳（メタデータ） (2021-08-26T01:24:15Z)
• Workshop on Autonomous Driving at CVPR 2021: Technical Report for Streaming Perception Challenge [57.647371468876116]
  本稿では,現実的な自律運転シナリオのためのリアルタイム2次元物体検出システムについて紹介する。 私たちの検出器は、YOLOXと呼ばれる新しい設計のYOLOモデルで構築されています。 Argoverse-HDデータセットでは,検出のみのトラック/トラックで2位を7.8/6.1上回る41.0ストリーミングAPを達成した。
  論文  参考訳（メタデータ） (2021-07-27T06:36:06Z)
• YOLOX: Exceeding YOLO Series in 2021 [25.734980783220976]
  我々は、YOLO検出器をアンカーフリーに切り換え、他の高度な検出技術を実行する。 0.91Mパラメータと1.08G FLOPしか持たないYOLO-Nanoでは、COCOで25.3%のAPが取得でき、NanoDetを1.8%上回っている。 YOLOv4-CSP, YOLOv5-Lとほぼ同じパラメータを持つYOLOX-Lでは、Tesla V100で68.9 FPSの速度でCOCOで50.0%APを達成する。
  論文  参考訳（メタデータ） (2021-07-18T12:55:11Z)
• PP-YOLOv2: A Practical Object Detector [13.262416549127664]
  PP-YOLOの性能向上のために既存の改良品のコレクションを評価した。 複数の効果的な改良を組み合わせることで、PP-YOLOの性能は45.9% mAPから49.5% mAPに向上する。 PP-YOLOv2は68.9FPSで640x640の入力サイズで動作する。
  論文  参考訳（メタデータ） (2021-04-21T08:55:37Z)
• PP-YOLO: An Effective and Efficient Implementation of Object Detector [44.189808709103865]
  本稿では, 相対的に効率と効率のバランスの取れた物体検出器を実装した。 YOLOv3が実際に広く利用されていることを踏まえ, YOLOv3に基づく新しい物体検出器を開発した。 本論文のすべての実験はPaddlePaddleに基づいて行われるので、PP-YOLOと呼ぶ。
  論文  参考訳（メタデータ） (2020-07-23T16:06:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。