ONNX 模型库
返回模型

说明文档

模型库

本文档改编自 mmyolo 的 configs 文档。下方的下载链接下载的是原始 PyTorch 模型。为方便使用，您可以使用我们已上传到 HuggingFace 的 YOLO 系列 ONNX 模型。

您可以从以下链接下载所需的 ONNX 模型：https://huggingface.co/CtrlX/JetYOLO/tree/main

注意：

  • 模型名称前标有 (×) 的表示这些模型尚未导出为 ONNX 并上传到 HuggingFace。您可以参考 doc/model_convert.md 文档自行尝试导出 ONNX 模型。
  • 如果您想知道为什么 ONNX 分为两类（后端为 efficientNMS 和仅 decode），请参考 doc/model_convert.md 文档。

RTMdet

目标检测

模型 尺寸 参数量(M) FLOPs(G) TRT-FP16-延迟(ms) box AP TTA box AP 配置 下载
RTMDet-tiny 640 4.8 8.1 0.98 41.0 42.7 config model | log
(×) RTMDet-tiny * 640 4.8 8.1 0.98 41.8 (+0.8) 43.2 (+0.5) config model | log
RTMDet-s 640 8.89 14.8 1.22 44.6 45.8 config model | log
(×) RTMDet-s * 640 8.89 14.8 1.22 45.7 (+1.1) 47.3 (+1.5) config model | log
RTMDet-m 640 24.71 39.27 1.62 49.3 50.9 config model | log
(×) RTMDet-m * 640 24.71 39.27 1.62 50.2 (+0.9) 51.9 (+1.0) config model | log
RTMDet-l 640 52.3 80.23 2.44 51.4 53.1 config model | log
(×) RTMDet-l * 640 52.3 80.23 2.44 52.3 (+0.9) 53.7 (+0.6) config model | log
RTMDet-x 640 94.86 141.67 3.10 52.8 54.2 config model | log

注意:

  1. RTMDet 的推理速度是在 NVIDIA 3090 GPU 上使用 TensorRT 8.4.3、cuDNN 8.2.0、FP16、batch size=1 且不包含 NMS 的情况下测量的。
  2. 为了公平比较，在 PR#9494 之后，bbox 后处理配置已更改为与 YOLOv5/6/7 保持一致，带来了约 0.1~0.3% 的 AP 提升。
  3. TTA 表示测试时增强。它对图像执行 3 次多尺度变换，然后进行 2 次翻转变换（翻转和不翻转）。您只需在测试时指定 --tta 即可启用。详情请参见 TTA。
  4. * 表示使用知识蒸馏训练的检查点。更多详情请参见 RTMDet 蒸馏。

YOLOv5

COCO

主干网络 架构 尺寸 Mask Refine SyncBN AMP 显存 (GB) box AP TTA box AP 配置 下载
YOLOv5-n P5 640 No Yes Yes 1.5 28.0 30.7 config model | log
YOLOv5-n P5 640 Yes Yes Yes 1.5 28.0 config model | log
YOLOv5u-n P5 640 Yes Yes Yes config model | log
YOLOv5-s P5 640 No Yes Yes 2.7 37.7 40.2 config model | log
YOLOv5-s P5 640 Yes Yes Yes 2.7 38.0 (+0.3) config model | log
YOLOv5u-s P5 640 Yes Yes Yes config model | log
YOLOv5-m P5 640 No Yes Yes 5.0 45.3 46.9 config model | log
YOLOv5-m P5 640 Yes Yes Yes 5.0 45.3 config model | log
YOLOv5u-m P5 640 Yes Yes Yes config model | log
YOLOv5-l P5 640 No Yes Yes 8.1 48.8 49.9 config model | log
YOLOv5-l P5 640 Yes Yes Yes 8.1 49.3 (+0.5) config model | log
YOLOv5u-l P5 640 Yes Yes Yes config model | log
YOLOv5-x P5 640 No Yes Yes 12.2 50.2 config model | log
YOLOv5-x P5 640 Yes Yes Yes 12.2 50.9 (+0.7) config model | log
YOLOv5u-x P5 640 Yes Yes Yes config model | log
(×) YOLOv5-n P6 1280 No Yes Yes 5.8 35.9 config model | log
(×) YOLOv5-s P6 1280 No Yes Yes 10.5 44.4 config model | log
(×) YOLOv5-m P6 1280 No Yes Yes 19.1 51.3 config model | log
(×) YOLOv5-l P6 1280 No Yes Yes 30.5 53.7 config model | log

注意:

  1. fast 表示使用 YOLOv5DetDataPreprocessor 和 yolov5_collate 进行数据预处理，训练速度更快，但多任务灵活性较差。如果您只关心目标检测，建议使用 fast 版本配置。
  2. detect 表示网络输入固定为 640x640，后处理阈值已修改。
  3. SyncBN 表示使用 SyncBN，AMP 表示使用混合精度训练。
  4. 我们使用 8x A100 进行训练，单 GPU batch size 为 16。这与官方代码不同。
  5. 性能不稳定，可能会有约 0.4 mAP 的波动，YOLOv5 在 COCO 训练中最高性能的权重可能不是最后一个 epoch。
  6. TTA 表示测试时增强。它对图像执行 3 次多尺度变换，然后进行 2 次翻转变换（翻转和不翻转）。您只需在测试时指定 --tta 即可启用。详情请参见 TTA。
  7. Mask Refine 训练的性能是针对 YOLOv5 官方发布权重的性能。Mask Refine 表示在加载标注和在 YOLOv5RandomAffine 变换后通过 mask 优化 bbox，Copy Paste 表示使用 YOLOv5CopyPaste。
  8. YOLOv5u 模型使用与 YOLOv8 模型相同的损失函数和分离 Detect head 以提高性能，但只需要 300 个 epoch。

YOLOv6

COCO

主干网络 架构 尺寸 Epoch SyncBN AMP 显存 (GB) Box AP 配置 下载
YOLOv6-n P5 640 400 Yes Yes 6.04 36.2 config model | log
YOLOv6-t P5 640 400 Yes Yes 8.13 41.0 config model | log
YOLOv6-s P5 640 400 Yes Yes 8.88 44.0 config model | log
YOLOv6-m P5 640 300 Yes Yes 16.69 48.4 config model | log
YOLOv6-l P5 640 300 Yes Yes 20.86 51.0 config model | log

注意:

  1. 官方的 m 和 l 模型使用知识蒸馏，但我们的版本不支持，未来将在 MMRazor 中实现。
  2. 性能不稳定，可能会有约 0.3 mAP 的波动。
  3. 如果用户需要 nano、tiny 和 small 模型的 300 epoch 权重，可以根据我们提供的 300 epoch 配置进行训练，或根据 转换脚本 转换官方权重。
  4. 我们注意到 base model 最近在 v6 中已正式发布。虽然精度有所下降，但效率更高。我们将来也会提供 base model 配置。

YOLOv7

COCO

主干网络 架构 尺寸 SyncBN AMP 显存 (GB) Box AP 配置 下载
YOLOv7-tiny P5 640 Yes Yes 2.7 37.5 config model | log
YOLOv7-l P5 640 Yes Yes 10.3 50.9 config model | log
YOLOv7-x P5 640 Yes Yes 13.7 52.8 config model | log
YOLOv7-w P6 1280 Yes Yes 27.0 54.1 config model | log
YOLOv7-e P6 1280 Yes Yes 42.5 55.1 config model | log

注意: 在官方 YOLOv7 代码中，COCO 目标检测任务训练中的 random_perspective 数据增强使用了 mask 标注信息，从而获得更高的性能。目标检测不应使用 mask 标注，因此在 MMYOLO 中只使用了 box 标注信息。我们将在实例分割任务中使用 mask 标注信息。

  1. 性能不稳定，可能会有约 0.3 mAP 的波动。上面显示的性能是最佳模型的性能。
  2. 如果用户需要 YOLOv7-e2e 的权重，可以根据我们提供的配置进行训练，或根据 转换脚本 转换官方权重。
  3. fast 表示使用 YOLOv5DetDataPreprocessor 和 yolov5_collate 进行数据预处理，训练速度更快，但多任务灵活性较差。如果您只关心目标检测，建议使用 fast 版本配置。
  4. SyncBN 表示使用 SyncBN，AMP 表示使用混合精度训练。
  5. 我们使用 8x A100 进行训练，单 GPU batch size 为 16。这与官方代码不同。

YOLOv8

COCO

主干网络 架构 尺寸 Mask Refine SyncBN AMP 显存 (GB) box AP TTA box AP 配置 下载
YOLOv8-n P5 640 No Yes Yes 2.8 37.2 config model | log
YOLOv8-n P5 640 Yes Yes Yes 2.5 37.4 (+0.2) 39.9 config model | log
YOLOv8-s P5 640 No Yes Yes 4.0 44.2 config model | log
YOLOv8-s P5 640 Yes Yes Yes 4.0 45.1 (+0.9) 46.8 config model | log
YOLOv8-m P5 640 No Yes Yes 7.2 49.8 config model | log
YOLOv8-m P5 640 Yes Yes Yes 7.0 50.6 (+0.8) 52.3 config model | log
YOLOv8-l P5 640 No Yes Yes 9.8 52.1 config model | log
YOLOv8-l P5 640 Yes Yes Yes 9.1 53.0 (+0.9) 54.4 config model | log
YOLOv8-x P5 640 No Yes Yes 12.2 52.7 config model | log
YOLOv8-x P5 640 Yes Yes Yes 12.4 54.0 (+1.3) 55.0 config model | log

注意

  1. 我们使用 8x A100 进行训练，单 GPU batch size 为 16。这与官方代码不同，但对性能没有影响。
  2. 性能不稳定，可能会有约 0.3 mAP 的波动，YOLOv8 在 COCO 训练中最高性能的权重可能不是最后一个 epoch。上面显示的性能是最佳模型的性能。
  3. 我们提供 脚本 将官方权重转换为 MMYOLO。
  4. SyncBN 表示使用 SyncBN，AMP 表示使用混合精度训练。
  5. Mask Refine 训练的性能是针对 YOLOv8 官方发布权重的性能。Mask Refine 表示在加载标注和在 YOLOv5RandomAffine 变换后通过 mask 优化 bbox，L 和 X 模型使用 Copy Paste。
  6. TTA 表示测试时增强。它对图像执行 3 次多尺度变换，然后进行 2 次翻转变换（翻转和不翻转）。您只需在测试时指定 --tta 即可启用。详情请参见 TTA。

CtrlX/JetYOLO

作者 CtrlX

↓ 0 ♥ 0

创建时间: 2024-03-30 12:11:38+00:00

更新时间: 2024-04-01 01:14:20+00:00

在 Hugging Face 上查看

文件 (84)

.gitattributes
README.md
model-only/rtmdet/rtmdet_l_syncbn_fast_8xb32-300e_coco_20230102_135928-ee3abdc4.onnx ONNX
model-only/rtmdet/rtmdet_m_syncbn_fast_8xb32-300e_coco_20230102_135952-40af4fe8.onnx ONNX
model-only/rtmdet/rtmdet_s_syncbn_fast_8xb32-300e_coco_20221230_182329-0a8c901a.onnx ONNX
model-only/rtmdet/rtmdet_tiny_syncbn_fast_8xb32-300e_coco_20230102_140117-dbb1dc83.onnx ONNX
model-only/rtmdet/rtmdet_x_syncbn_fast_8xb32-300e_coco_20221231_100345-b85cd476.onnx ONNX
model-only/yolov5/yolov5_l-v61_syncbn_fast_8xb16-300e_coco_20220917_031007-096ef0eb.onnx ONNX
model-only/yolov5/yolov5_l_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_154301-2c1d912a.onnx ONNX
model-only/yolov5/yolov5_m-v61_syncbn_fast_8xb16-300e_coco_20220917_204944-516a710f.onnx ONNX
model-only/yolov5/yolov5_m_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_153946-44e96155.onnx ONNX
model-only/yolov5/yolov5_n-v61_syncbn_fast_8xb16-300e_coco_20220919_090739-b804c1ad.onnx ONNX
model-only/yolov5/yolov5_n_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_152706-712fb1b2.onnx ONNX
model-only/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.onnx ONNX
model-only/yolov5/yolov5_s_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230304_033134-8e0cd271.onnx ONNX
model-only/yolov5/yolov5_x-v61_syncbn_fast_8xb16-300e_coco_20230305_152943-00776a4b.onnx ONNX
model-only/yolov5/yolov5_x_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_154321-07edeb62.onnx ONNX
model-only/yolov6/yolov6_l_syncbn_fast_8xb32-300e_coco_20221109_183156-91e3c447.onnx ONNX
model-only/yolov6/yolov6_m_syncbn_fast_8xb32-300e_coco_20221109_182658-85bda3f4.onnx ONNX
model-only/yolov6/yolov6_n_syncbn_fast_8xb32-400e_coco_20221030_202726-d99b2e82.onnx ONNX
model-only/yolov6/yolov6_s_syncbn_fast_8xb32-400e_coco_20221102_203035-932e1d91.onnx ONNX
model-only/yolov6/yolov6_t_syncbn_fast_8xb32-400e_coco_20221030_143755-cf0d278f.onnx ONNX
model-only/yolov7/yolov7_l_syncbn_fast_8x16b-300e_coco_20221123_023601-8113c0eb.onnx ONNX
model-only/yolov7/yolov7_tiny_syncbn_fast_8x16b-300e_coco_20221126_102719-0ee5bbdf.onnx ONNX
model-only/yolov7/yolov7_x_syncbn_fast_8x16b-300e_coco_20221124_215331-ef949a68.onnx ONNX
model-only/yolov8/yolov8_l_mask-refine_syncbn_fast_8xb16-500e_coco_20230217_120100-5881dec4.onnx ONNX
model-only/yolov8/yolov8_l_syncbn_fast_8xb16-500e_coco_20230217_182526-189611b6.onnx ONNX
model-only/yolov8/yolov8_m_mask-refine_syncbn_fast_8xb16-500e_coco_20230216_223400-f40abfcd.onnx ONNX
model-only/yolov8/yolov8_m_syncbn_fast_8xb16-500e_coco_20230115_192200-c22e560a.onnx ONNX
model-only/yolov8/yolov8_n_mask-refine_syncbn_fast_8xb16-500e_coco_20230216_101206-b975b1cd.onnx ONNX
model-only/yolov8/yolov8_n_syncbn_fast_8xb16-500e_coco_20230114_131804-88c11cdb.onnx ONNX
model-only/yolov8/yolov8_s_mask-refine_syncbn_fast_8xb16-500e_coco_20230216_095938-ce3c1b3f.onnx ONNX
model-only/yolov8/yolov8_s_syncbn_fast_8xb16-500e_coco_20230117_180101-5aa5f0f1.onnx ONNX
model-only/yolov8/yolov8_x_mask-refine_syncbn_fast_8xb16-500e_coco_20230217_120411-079ca8d1.onnx ONNX
model-only/yolov8/yolov8_x_syncbn_fast_8xb16-500e_coco_20230218_023338-5674673c.onnx ONNX
model-only/yolox/yolox_l_fast_8xb8-300e_coco_20230213_160715-c731eb1c.onnx ONNX
model-only/yolox/yolox_m_fast_8xb32-300e-rtmdet-hyp_coco_20230210_144328-e657e182.onnx ONNX
model-only/yolox/yolox_m_fast_8xb8-300e_coco_20230213_160218-a71a6b25.onnx ONNX
model-only/yolox/yolox_s_fast_8xb32-300e-rtmdet-hyp_coco_20230210_134645-3a8dfbd7.onnx ONNX
model-only/yolox/yolox_s_fast_8xb8-300e_coco_20230213_142600-2b224d8b.onnx ONNX
model-only/yolox/yolox_tiny_8xb8-300e_coco_20220919_090908-0e40a6fc.onnx ONNX
model-only/yolox/yolox_tiny_fast_8xb32-300e-rtmdet-hyp_coco_20230210_143637-4c338102.onnx ONNX
model-only/yolox/yolox_x_fast_8xb8-300e_coco_20230215_133950-1d509fab.onnx ONNX
tensorrt8/rtmdet/rtmdet_l_syncbn_fast_8xb32-300e_coco_20230102_135928-ee3abdc4.onnx ONNX
tensorrt8/rtmdet/rtmdet_m_syncbn_fast_8xb32-300e_coco_20230102_135952-40af4fe8.onnx ONNX
tensorrt8/rtmdet/rtmdet_s_syncbn_fast_8xb32-300e_coco_20221230_182329-0a8c901a.onnx ONNX
tensorrt8/rtmdet/rtmdet_tiny_syncbn_fast_8xb32-300e_coco_20230102_140117-dbb1dc83.onnx ONNX
tensorrt8/rtmdet/rtmdet_x_syncbn_fast_8xb32-300e_coco_20221231_100345-b85cd476.onnx ONNX
tensorrt8/yolov5/yolov5_l-v61_syncbn_fast_8xb16-300e_coco_20220917_031007-096ef0eb.onnx ONNX
tensorrt8/yolov5/yolov5_l_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_154301-2c1d912a.onnx ONNX
tensorrt8/yolov5/yolov5_m-v61_syncbn_fast_8xb16-300e_coco_20220917_204944-516a710f.onnx ONNX
tensorrt8/yolov5/yolov5_m_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_153946-44e96155.onnx ONNX
tensorrt8/yolov5/yolov5_n-v61_syncbn_fast_8xb16-300e_coco_20220919_090739-b804c1ad.onnx ONNX
tensorrt8/yolov5/yolov5_n_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_152706-712fb1b2.onnx ONNX
tensorrt8/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.onnx ONNX
tensorrt8/yolov5/yolov5_s_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230304_033134-8e0cd271.onnx ONNX
tensorrt8/yolov5/yolov5_x-v61_syncbn_fast_8xb16-300e_coco_20230305_152943-00776a4b.onnx ONNX
tensorrt8/yolov5/yolov5_x_mask-refine-v61_syncbn_fast_8xb16-300e_coco_20230305_154321-07edeb62.onnx ONNX
tensorrt8/yolov6/yolov6_l_syncbn_fast_8xb32-300e_coco_20221109_183156-91e3c447.onnx ONNX
tensorrt8/yolov6/yolov6_m_syncbn_fast_8xb32-300e_coco_20221109_182658-85bda3f4.onnx ONNX
tensorrt8/yolov6/yolov6_n_syncbn_fast_8xb32-400e_coco_20221030_202726-d99b2e82.onnx ONNX
tensorrt8/yolov6/yolov6_s_syncbn_fast_8xb32-400e_coco_20221102_203035-932e1d91.onnx ONNX
tensorrt8/yolov6/yolov6_t_syncbn_fast_8xb32-400e_coco_20221030_143755-cf0d278f.onnx ONNX
tensorrt8/yolov7/yolov7_l_syncbn_fast_8x16b-300e_coco_20221123_023601-8113c0eb.onnx ONNX
tensorrt8/yolov7/yolov7_tiny_syncbn_fast_8x16b-300e_coco_20221126_102719-0ee5bbdf.onnx ONNX
tensorrt8/yolov7/yolov7_x_syncbn_fast_8x16b-300e_coco_20221124_215331-ef949a68.onnx ONNX
tensorrt8/yolov8/yolov8_l_mask-refine_syncbn_fast_8xb16-500e_coco_20230217_120100-5881dec4.onnx ONNX
tensorrt8/yolov8/yolov8_l_syncbn_fast_8xb16-500e_coco_20230217_182526-189611b6.onnx ONNX
tensorrt8/yolov8/yolov8_m_mask-refine_syncbn_fast_8xb16-500e_coco_20230216_223400-f40abfcd.onnx ONNX
tensorrt8/yolov8/yolov8_m_syncbn_fast_8xb16-500e_coco_20230115_192200-c22e560a.onnx ONNX
tensorrt8/yolov8/yolov8_n_mask-refine_syncbn_fast_8xb16-500e_coco_20230216_101206-b975b1cd.onnx ONNX
tensorrt8/yolov8/yolov8_n_syncbn_fast_8xb16-500e_coco_20230114_131804-88c11cdb.onnx ONNX
tensorrt8/yolov8/yolov8_s_mask-refine_syncbn_fast_8xb16-500e_coco_20230216_095938-ce3c1b3f.onnx ONNX
tensorrt8/yolov8/yolov8_s_syncbn_fast_8xb16-500e_coco_20230117_180101-5aa5f0f1.onnx ONNX
tensorrt8/yolov8/yolov8_x_mask-refine_syncbn_fast_8xb16-500e_coco_20230217_120411-079ca8d1.onnx ONNX
tensorrt8/yolov8/yolov8_x_syncbn_fast_8xb16-500e_coco_20230218_023338-5674673c.onnx ONNX
tensorrt8/yolox/yolox_l_fast_8xb8-300e_coco_20230213_160715-c731eb1c.onnx ONNX
tensorrt8/yolox/yolox_m_fast_8xb32-300e-rtmdet-hyp_coco_20230210_144328-e657e182.onnx ONNX
tensorrt8/yolox/yolox_m_fast_8xb8-300e_coco_20230213_160218-a71a6b25.onnx ONNX
tensorrt8/yolox/yolox_s_fast_8xb32-300e-rtmdet-hyp_coco_20230210_134645-3a8dfbd7.onnx ONNX
tensorrt8/yolox/yolox_s_fast_8xb8-300e_coco_20230213_142600-2b224d8b.onnx ONNX
tensorrt8/yolox/yolox_tiny_8xb8-300e_coco_20220919_090908-0e40a6fc.onnx ONNX
tensorrt8/yolox/yolox_tiny_fast_8xb32-300e-rtmdet-hyp_coco_20230210_143637-4c338102.onnx ONNX
tensorrt8/yolox/yolox_x_fast_8xb8-300e_coco_20230215_133950-1d509fab.onnx ONNX