代码拉取完成,页面将自动刷新
同步操作将从 PaddlePaddle/FastDeploy 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
YOLOR部署实现来自YOLOR的代码,和基于COCO的预训练模型。
访问YOLOR官方github库,按照指引下载安装,下载yolor.pt
模型,利用 models/export.py
得到onnx
格式文件。如果您导出的onnx
模型出现精度不达标或者是数据维度的问题,可以参考yolor#32的解决办法
#下载yolor模型文件
wget https://github.com/WongKinYiu/yolor/releases/download/weights/yolor-d6-paper-570.pt
# 导出onnx格式文件
python models/export.py --weights PATH/TO/yolor-xx-xx-xx.pt --img-size 640
为了方便开发者的测试,下面提供了YOLOR导出的各系列模型,开发者可直接下载使用。(下表中模型的精度来源于源官方库)
模型 | 大小 | 精度 |
---|---|---|
YOLOR-P6-1280 | 143MB | 54.1% |
YOLOR-W6-1280 | 305MB | 55.5% |
YOLOR-E6-1280 | 443MB | 56.4% |
YOLOR-D6-1280 | 580MB | 57.0% |
YOLOR-D6-1280 | 580MB | 57.3% |
YOLOR-P6 | 143MB | - |
YOLOR-W6 | 305MB | - |
YOLOR-E6 | 443MB | - |
YOLOR-D6 | 580MB | - |
YOLOR-D6 | 580MB | - |
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。