--- title: cv_tinynas_object-detection_damoyolo canonical_url: "https://www.modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo" md_url: "https://www.modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo.md" repository: damo/cv_tinynas_object-detection_damoyolo chinese_name: "DAMOYOLO-高性能通用检测模型-S" last_updated: 2025-06-08 pipeline_tag: image-object-detection tasks: - image-object-detection library_name: - pytorch frameworks: - pytorch downloads: 273978 stars: 210 --- # cv_tinynas_object-detection_damoyolo > cv_tinynas_object-detection_damoyolo - damo 在 ModelScope 开源的模型。DAMOYOLO是一款面向工业落地的高性能检测框架，精度和速度超越当前的一众典型YOLO框架（YOLOE、YOLOv6、YOLOv7）。基于TinyNAS技术，DAMOYOLO能够针对不同的硬件算力，进行低成本的模型定制化搜索。这里仅提供DAMOYOLO-S模型，更多模型请参考README。 - **Repository**: damo/cv_tinynas_object-detection_damoyolo - **Tasks**: image-object-detection - **Downloads**: 273978 - **Stars**: 210 - **Last updated**: 2025-06-08 Source: https://www.modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo ---
## 模型描述 这里我们提供基于业界领先的目标检测框架**DAMO-YOLO**训练的检测模型：**DAMO-YOLO-S**。DAMO-YOLO是一个面向工业落地的目标检测框架，兼顾模型速度与精度，其训练的模型效果超越了目前的一众YOLO系列方法，并且仍然保持极高的推理速度。DAMO-YOLO引入TinyNAS技术，使得用户可以根据硬件算力进行低成本的检测模型定制，提高硬件利用效率并且获得更高精度。另外，DAMO-YOLO还对检测模型中的neck、head结构设计，以及训练时的标签分配、数据增广等关键因素进行了优化，具体细节可以参考我们的[开源代码](https://github.com/tinyvision/damo-yolo)和[技术报告](https://arxiv.org/pdf/2211.15444v2.pdf)。**DAMO-YOLO-S**是DAMO-YOLO提供的一系列模型中，平衡了速度和精度的最优模型之一。为了方便用户使用DAMO-YOLO完成检测任务，我们开源了多个[工业应用模型](#工业应用模型)，欢迎试用。
## 模型评测 |Model |size |mAPval
0.5:0.95 | Latency(ms)
T4-TRT-FP16| FLOPs
(G)| Parameters(M)| | ------ |:---: | :---: |:---:|:---: | :---: | |YOLOX-S | 640 | 40.5 | 3.20| 26.8 | 9.0 | |YOLOv5-S | 640 | 37.4 | 3.04| 16.5 | 7.2 | |YOLOv6-S | 640 | 43.5 | 3.10| 44.2 | 17.0 | |PP-YOLOE-S | 640 | 43.0 | 3.21| 17.4 | 7.9 | |**DAMO-YOLO-S** | 640 | 46.8 | 3.83| 37.8 | 16.3 | - 表中汇报的mAP是COCO2017 val集上的结果。 - 表中汇报的latency不包括后处理（nms）时间，其测试条件为：T4 GPU，TensorRT=7.2.1.6， CUDA=10.2, CUDNN=8.0.0.1。 ## 使用范围 本模型适用范围较广，能对图片中包含的大部分前景物体（COCO 80类）进行定位。 ## 使用方法 在ModelScope框架上，提供输入图片，即可以通过简单的Pipeline调用使用当前模型。具体代码示例如下： ```python from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks object_detect = pipeline(Tasks.image_object_detection,model='damo/cv_tinynas_object-detection_damoyolo', trust_remote_code=True) img_path ='https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_detection.jpg' result = object_detect(img_path) ``` ## 训练示例 DAMO-YOLO现已支持使用自定义数据训练，欢迎试用！如在使用中发现问题，欢迎反馈给xianzhe.xxz@alibaba-inc.com。 在ModelScope上使用自定义数据训练DAMO-YOLO有三个关键步骤，一个简单示例如下： **步骤一**：将标签数据转换成[COCO](https://cocodataset.org/)格式，COCO格式下一条有效数据的示例如下： ```json { "categories": [{ "supercategory": "person", "id": 1, "name": "person" }], "images": [{ "license": 1, "file_name": "000000425226.jpg", "coco_url": "http://images.cocodataset.org/val2017/000000425226.jpg", "height": 640, "width": 480, "date_captured": "2013-11-14 21:48:51", "flickr_url": "http://farm5.staticflickr.com/4055/4546463824_bc40e0752b_z.jpg", "id": 1 }], "annotations": [{ "image_id": 1, "category_id": 1, "segmentation": [], "area": 47803.279549999985, "iscrowd": 0, "bbox": [73.35, 206.02, 300.58, 372.5], "id": 1 }] } ``` 随后，可以将您的自定数据组织成如下结构： ``` ├── custom_data │ ├── annotations │ │ └── toy_sample.json │ ├── images │ │ └── 000000425226.jpg ``` **步骤二**：使用默认配置文件进行训练或者自定义配置文件进行训练，训练结果将保存在./workdirs下。 + **使用默认配置文件进行训练**： 此时，trainer会自动从‘damo/cv_tinynas_object-detection_damoyolo’下载模型训练所需的配置文件，并使用默认配置进行训练。 ```python from modelscope.metainfo import Trainers from modelscope.trainers import build_trainer kwargs = dict( model='damo/cv_tinynas_object-detection_damoyolo', gpu_ids=[ # 指定训练使用的gpu 0,1,2,3,4,5,6,7 ], batch_size=2, max_epochs=3, num_classes=10, # 自定义数据中的类别数 train_image_dir='./data/visdrone/VisDrone2019-DET-train/images', # 训练图片路径 val_image_dir='./data/visdrone/VisDrone2019-DET-val/images', # 测试图片路径 train_ann= './data/visdrone/VisDrone2019-DET-train/annotations/visdrone_train.json', # 训练标注文件路径 val_ann= './data/visdrone/VisDrone2019-DET-val/annotations/visdrone_val.json', # 测试标注文件路径 work_dir='./workdirs', ) trainer = build_trainer( name=Trainers.tinynas_damoyolo, default_args=kwargs) trainer.train() # 训练log将会保存在./workdirs/damoyolo_s/train_log.txt ``` + **使用自定义配置文件进行训练**： 假设您有自定义的配置文件以及模型训练必须的骨干网络结构、预训练权重等文件位于"./custom"，想要使用您的自定义配置文件进行训练，可以参考如下示例： ```python from modelscope.metainfo import Trainers from modelscope.trainers import build_trainer cache_path = './custom' kwargs = dict( cfg_file=os.path.join(cache_path, 'configuration.json'), gpu_ids=[ 0, ], batch_size=2, max_epochs=3, num_classes=80, load_pretrain=True, pretrain_model='pretrain_weight.pth' # 指定预训练模型，该预训练模型需要放置在cache_path目录下， # 只有load_pretrain=True，该配置才生效。 base_lr_per_img=0.001, cache_path=cache_path, train_image_dir='./data/test/images/image_detection/images', val_image_dir='./data/test/images/image_detection/images', train_ann= './data/test/images/image_detection/annotations/coco_sample.json', val_ann= './data/test/images/image_detection/annotations/coco_sample.json', ) trainer = build_trainer( name=Trainers.tinynas_damoyolo, default_args=kwargs) trainer.train() trainer.evaluate( checkpoint_path=os.path.join(cache_path, 'damoyolo_tinynasL25_S.pt')) # 验证模型精度 ``` ## 工业应用模型 我们提供了一系列面向实际工业场景的DAMO-YOLO模型，欢迎试用。请保持持续关注，更多的重磅模型即将释出！ |[**人体检测**](https://www.modelscope.cn/models/damo/cv_tinynas_human-detection_damoyolo/summary)| [**安全帽检测**](https://www.modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo_safety-helmet/summary)| | :---: | :---: | || | |[**口罩检测**](https://www.modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo_facemask/summary) |[**香烟检测**](https://www.modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo_cigarette/summary) | || | ## 模型可视化效果
## 引用 ```latex @article{damoyolo, title={DAMO-YOLO: A Report on Real-Time Object Detection Design}, author={Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang and Xiuyu Sun}, journal={arXiv preprint arXiv:2211.15444v2}, year={2022} } ```