yolort 文档¶
yolort 是什么？
yolort 专注于使目标检测任务的训练和推理更加无缝地结合在一起。 yolort 现在采用了与官方 YOLOv5 相同的模型结构。
不同的是， yolort 采用了动态形状机制，在此机制中，可以将预处理（ letterbox）和后处理（ nms）嵌入到模型 graph 中，简化了部署策略。
从这个意义上说， yolort 使得在 LibTorch、 ONNX Runtime、 TensorRT、 TVM 等平台上的部署更加友好成为可能。
关于代码
遵循 detr 设计原则：
目标检测不应该比分类更困难，也不应该需要复杂的库来进行训练和推理。
yolort 的实现和实验非常简单。你喜欢 torchvision 的 faster-rcnn，retinanet 或 detr 的实现吗？你喜欢 yolov5 吗？你会爱上 yolort！
快速上手¶
读取图像源并检测其目标：
from yolort.models import yolov5s
# Load model
model = yolov5s(pretrained=True, score_thresh=0.45)
model.eval()
# Perform inference on an image file
predictions = model.predict("bus.jpg")
# Perform inference on a list of image files
predictions = model.predict(["bus.jpg", "zidane.jpg"])
从官方 yolov5 加载检查点
支持从 YOLOv5 加载训练好的权重。请查看文档，了解与 yolov5 的 share 以及与yolov5的 differ。
from yolort.models import YOLOv5
from yolort.v5 import attempt_download
# will downloaded from 'https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5n6.pt'
model_path = "yolov5n6.pt"
checkpoint_path = attempt_download(model_path)
model = YOLOv5.load_from_yolov5(checkpoint_path, score_thresh=0.25)
model.eval()
img_path = "bus.jpg"
predictions = model.predict(img_path)
用例和解决方案¶
Getting Started