在本报告中，我们介绍了一种名为DAMO-YOLO的快速而准确的目标检测方法，其性能优于现有的YOLO系列。

从YOLOv1-v8YOLO综述改进点改进方向YOLOv1YOLO流程网格（grid）、锚点（anchors）、锚框（anchorboxes）交并比为什么把图像分割成n*n的格子呢？边界框的作用？为什么需要俩个边界框？那如果一个格子有俩个以上的对象呢？主干网络损失函数解析为什么不是一个损失函数？怎么判断是否有物体以及预测准确性？非极大值抑制去除重复预测结果YOLOv1的优化思路YOLOv2更轻量化

，我之前发的Damo-YOLO和

文章目录参考链接1准备数据1.1转为COCO格式1.2指明数据路径2设置训练配置文件，在configs/damoyolo_tinynasL25_S.py进行如下两块修改2.1关于训练参数的设置2.2根据自己数据集设置3开始训练4调用tools/eval.py进行测试5训练时可能遇到的报错5.1RuntimeError:Distributedpackagedoesn'thaveNCCLbuiltin

，我之前发的Damo-YOLO和

而继PP-YOLOE提出后，MT-YOLOv6、YOLOv7、DAMO-YOLO、RTMDet等模型先后被提出，一直迭代到今年开年的YOLOv8。 

一、本文介绍本文给大家带来的改进机制是Damo-YOLO的RepGFPN（重参数化泛化特征金字塔网络），利用其优化YOLOv8的Neck部分，可以在不影响计算量的同时大幅度涨点（亲测在小目标和大目标检测的数据集上效果均表现良好涨点幅度超级高

效果模型信息Inputs-------------------------name：imagestensor：Float[1,3,192,320]---------------------------------------------------------------Outputs-------------------------name：outputtensor：Float[1,1260,8

https://github.com/tinyvision/DAMO-YOLO/blob/master/README_cn.mdDAMO-YOLO是由阿里巴巴达摩院智能计算实验室TinyML团队开发的一个兼顾速度与精度的目标检测框架

1.KITTI数据集准备DAMO-YOLO支持COCO格式的数据集，在训练KITTI之前，需要将KITTI的标注转换为KITTI格式。

一开始大部分用户做项目做实验还是使用的YOLOv5，然后YOLOv6、YOLOv7、PP-YOLOE+、DAMO-YOLO、RTMDet就接踵而至，

这个图是有点问题的，在GiraffeNeckV2代码中只有了5个FusionBlock（图中有6个）https://github.com/tinyvision/DAMO-YOLO/blob/master

而继PP-YOLOE提出后，MT-YOLOv6、YOLOv7、DAMO-YOLO、RTMDet等模型先

DAMO-YOLO:实时目标检测设计报告在本报告中，我们提出了一种被称为DAMO-YOLO的快速准确的物体检测方法，该方法比最先进的YOLO系列具有更高的性能。

一开始大部分用户做项目做实验还是使用的YOLOv5，然后YOLOv6、YOLOv7、PP-YOLOE+、DAMO-YOLO、RTMDet就接踵而至，于是就在自己的数据集逐一尝试，好不容易把这些下饺子式的

在阿里达摩院ICLR2022发表的论文《GiraffeDet:AHeavy-NeckParadigmforObjectDetection》中，他们提出了GiraffeDet，它具有极轻量级计算量的backbone和大计算量的neck，使得网络更关注于高分辨率特征图中空间信息和低分辨率特征图中语义信息的信息交互。同时在2022年11月底他们开源的DAMOYOLO中，再一次用到了GFPN的思想，他们基

DAMO-YOLO是阿里巴巴达摩院最近新推出的轻量级目标检测框架。作为第一批使用的同学，这里对如何使用DAMO-YOLO进行第三方数据训练和finetune做一个简单的介绍。

DAMO-YOLO最强操作教程.测试于2023-1-9.代码版本为v0.2.1详细教学哔哩哔哩视频链接.数据集转换脚本github链接.操作步骤(建议看着哔哩哔哩视频进行操作)下载github中的DAMO-YOLO

一、数据集相关代码解读创建dataloader(damo/dataset/build.py)在damo/apis/detector_trainer.py的158行，及174-203行中，DAMO-YOLO

DAMO-YOLO的RepGFPN多尺度特征融合颈部网络与目标检测器的融合策略1、DAMO-YOLO点击此处直达论文地址DAMO-YOLO是一个兼顾速度与精度的目标检测框架，其效果超越了目前的一众YOLO

2022点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院学习群｜扫码在主页获取加入方式获取代码｜关注并回复“onnx部署”01概述ONNXRuntime是微软推出的一款推理框架，用户可以非常便利的用其运行一个onnx模型。ONNXRuntime支持多种运行后端包括CPU，GPU，TensorRT，DML等。可以说ONNXRuntime是对ONNX模型最原生的支持。虽然大家用ONNX时更多的是作

他与大家分享的主题是:“DAMO-YOLO：兼顾速度与精度的高效目标检测框架”，届时将分享他和团队针对几个工业落地中的痛点，结合团队的技术沉淀，提出的DAMO-YOLO。

最近达摩院放出了目前最能打的yolo算法，时间和精度都得到了提升目前代码已经开源：代码地址：GitHub-tinyvision/DAMO-YOLO:DAMO-YOLO:afastandaccurateobjectdetectionmethodwithsomenewtechs

阿里巴巴达摩院智能计算实验室团队设计并开源了一款兼顾速度与精度的目标检测框架DAMO-YOLO，其性能超越了目前的一众YOLO系列方法，在实现精度SOTA的同时，保持了很高的推理速度。

2022点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院学习群｜扫码在主页获取加入方式获取代码｜关注并回复“onnx部署”01概述ONNXRuntime是微软推出的一款推理框架，用户可以非常便利的用其运行一个onnx模型。ONNXRuntime支持多种运行后端包括CPU，GPU，TensorRT，DML等。可以说ONNXRuntime是对ONNX模型最原生的支持。虽然大家用ONNX时更多的是作

|极市线上分享第106期|一直以来，为让大家更好地了解学界业界优秀的论文和工作，极市已邀请了超过100位技术大咖嘉宾，并完成了105期极市线上直播分享。往期分享请前往http://bbs.cvmart.net/topics/149或直接阅读原文，也欢迎各位小伙伴自荐或推荐更多优秀的技术嘉宾到极市进行技术分享，与大家一起交流学习~~阿里巴巴达摩院智能计算实验室团队设计并开源了一款兼顾速度与精度的目标

作者丨陈威华阿里达摩院智能计算实验室编辑丨极市平台1.简介DAMO-YOLO是一个兼顾速度与精度的目标检测框架，其效果超越了目前的一众YOLO系列方法，在实现SOTA的同时，保持了很高的推理速度。

作者|Random编辑|3D视觉开发者社区DAMO-YOLO是阿里新推出来的目标检测框架，兼顾模型速度与精度，其效果超越了目前的一众YOLO系列方法，且推理速度更快。

导读达摩院最近开源了DAMO-YOLO！其效果达到了YOLO系列的SOTA，接下来，让我们一起看看相关具体内容。1.简介DAMO-YOLO是一个兼顾速度与精度的目标检测框架，其效果超越

文章目录前言一、解决问题二、基本原理三、添加方法四、总结前言作为当前先进的深度学习目标检测算法YOLOv7，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv7的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。由于出到YOLOv7，