集成多种YOLO改进点面向小白科研的YOLO检测代码库YOLOAir_模子_收集

文章目录 [+]

机器之心编辑部

YOLOAir 算法代码库是一个基于 PyTorch 的 YOLO 系列目标检测开源工具箱。
利用统一模型代码框架、统一运用办法、统一调参，该库包含大量的改进模块，可利用不同网络模块来快速构建不同网络的检测模型。
基于 YOLOv5 代码框架，并同步适配 YOLOv5(v6.0/v6.1 更新) 支配生态。
用户在利用这个项目之前, 可以先理解 YOLOv5 库。

集成多种YOLO改进点面向小白科研的YOLO检测代码库YOLOAir_模子_收集通讯

该项目包含大量的改进办法，并能降落改进难度，改进点包含 Backbone、Neck、Head、把稳力机制、IoU 丢失函数、多种 NMS、Loss 丢失函数、自把稳力机制系列、数据增强部分、激活函数等部分，更多内容可以关注 YOLOAir 项目的解释文档。
项目同时附带各种改进点事理及对应的代码改进办法教程，用户可根据自身情形快速排列组合，在不同的数据集上实验, 运用组合改进点写论文！

模块组件化：帮助用户自定义快速组合 Backbone、Neck、Head，使得网络模型多样化，使得改进检测算法、工程算法支配落地更便捷，构建更强大的网络模型。

支持YOLOv5、YOLOv7、YOLOX、YOLOR、YOLOv3、YOLOv4、Scaled_YOLOv4、Transformer等算法网络模型进行改进。

项目地址: https://github.com/iscyy/yoloair

项目先容

紧张特性

持续更新支持更多的 YOLO 系列算法模型，作者对可以进行改进的部分进行了分类：

支持更多 Backbone

CSPDarkNet 系列ResNet 系列RegNet 系列RepBlock 系列ShuffleNet 系列Ghost 系列MobileNet 系列ConvNext 系列RepLKNet 系列EfficientNetCNN 和 Transformer 稠浊：BoTNet、CoTNet、Acmix自把稳力机制 Transformer：Transformer、Swin

支持更多 Neck

neck 包含 FPN、PANet、BiFPN 等主流构造，同时可以添加和更换任何模块

支持更多检测头 Head

YOLOv5 Head 检测头YOLOX 的解耦合检测头 Decoupled Head自适应空间特色领悟检测头 ASFF HeadYOLOv7 检测头 IDetect Head、IAuxDetect Head 等

支持更多即插即用的把稳力机制

在网络任何部分即插即用式利用把稳力机制SE、CBAM、CA、GAM、ECA 等多种主流把稳力机制Self AttentionContextual TransformerBottleneck TransformerS2-MLP AttentionSK AttentionCBAM AttentionSE AttentionCoordinate attentionBAM AttentionGAM attentionECA AttentionShuffle AttentionDANet Attention持续更新中

支持更多丢失函数

CIoU、DIoU、GIoU、EIoU、SIoU、alpha IOU 等丢失函数

支持更多 NMS

NMS、Merge-NMS、DIoU-NMS、Soft-NMS、CIoU-NMS、DIoU-NMS、GIoU-NMS、EIoU-NMS、SIoU-NMS、Soft-SIoUNMS、Soft-CIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS、Soft-GIoUNMS 等持续更新中

支持更多数据增强

Mosaic、Copy paste、Random affine(Rotation, Scale, Translation and Shear)、MixUp、Augment HSV(Hue, Saturation, Value，Random horizontal flip)

支持更多 Loss

ComputeLoss、ComputeNWDLoss、ComputeXLoss、ComputeLossAuxOTA(v7)、ComputeLossOTA(v7) 等支持加载 YOLOv3、YOLOv4、YOLOv5、YOLOv7、YOLOR 等网络的官方预演习权重进行迁移学习支持 Anchor-base 检测器和 Anchor-Free 检测器

内置多种网络模型模块化组件

Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, DWT, BottleneckCSP2SAM, VoVCSP 等

以上组件模块利用统一模型代码框架、统一任务形式、统一运用办法，模块组件化可以帮助用户自定义快速组合 Backbone、Neck、Head，使得网络模型多样化，助力科研改进检测算法，构建更强大的网络模型。

内置改进网络模型配置支持

包括基于 YOLOv5 的其他几十种改进网络构造等算法模型的 yaml 配置文件汇总，利用 YOLOv5 网络作为示范，可以将这些模块无缝加入到 YOLOv7、YOLOX、YOLOR、YOLOv4、Scaled_YOLOv4、YOLOv3 等系列 YOLO 算法模块。

用户可自行基于供应的网络模块，进行自定义改进网络。

YOLOAir 算法库汇总了多种主流 YOLO 系列检测模型，一套代码搜集多种模型构造:

内置 YOLOv5 模型网络构造内置 YOLOv7 模型网络构造内置 YOLOX 模型网络构造内置 YOLOR 模型网络构造内置 Scaled_YOLOv4 模型网络构造内置 YOLOv4 模型网络构造内置 YOLOv3 模型网络构造TPH-YOLO 模型网络构造YOLOv5-Lite 模型网络构造YOLO-FaceV2 模型网络构造PicoDet 模型网络构造以及其他部分改进模型

以上多种检测算法网络模型利用统一代码框架，集成在 YOLOAir 代码库中，统一运用办法。
便于科研者用于论文算法模型改进，模型比拟，实现网络组合多样化，包含轻量化模型和精度更高的模型，根据场景合理选择，在精度和速率者两个方面取得平衡。
同时该库支持解耦不同的构造和模块组件，让模块组件化，通过组合不同的模块组件，用户可以根据不同数据集或不同业务场景自行定制化构建不同检测模型。

利用

代码遵照 YOLOv5 设计原则，利用办法基本和 YOLOv5 框架对齐。

安装

在 Python>=3.7.0 的环境中克隆版本仓并安装 requirements.txt，包括 PyTorch>=1.7。

$ git clone https://github.com/iscyy/yoloair.git # 克隆$ cd yoloair$ pip install -r requirements.txt # 安装

演习

$ python train.py --data coco128.yaml --cfg configs/yolov5/yolov5s.yaml

推理

detect.py 在各种数据源上运行推理, 并将检测结果保存到 runs/detect 目录。

$ python detect.py --source img.jpg

领悟

如果利用不同的模型推理数据集，可以利用 wbf.py 通过加权框领悟来集成结果。
在 wbf.py 中设置 img 路径和 txt 路径。