• YOLODet-PyTorch
• • 内容
  • 简介
  • • 特性：
    • 支持的模型:
    • 更多的Backone：
    • 数据增强方法：
    • 损失函数支持：
    • 训练技巧支持：
    • 扩展特性：
    • 代码结构说明
  • 安装说明
  • 快速开始
  • 预训练模型
  • 重要说明
  • 鸣谢
  • 如何贡献代码

简体中文 | English

YOLODet-PyTorch

YOLODet-PyTorch是端到端基于pytorch框架复现yolo最新算法的目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。YOLODet-PyTorch以模块化的设计实现了多种主流YOLO目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块。

目前检测库下模型均要求使用PyTorch 1.5及以上版本或适当的develop版本。

内容

• 简介
• 安装说明
• 快速开始
• 预训练模型
• 重要说明
• 鸣谢
• 如何贡献代码

简介

特性：

• 模型丰富：

  YOLODet提供了丰富的模型，涵盖最新YOLO检测算法的复现，包含YOLOv5、YOLOv4、PP-YOLO、YOLOv3等YOLO系列目标检测算法。

• 高灵活度：

  YOLODet通过模块化设计来解耦各个组件，基于配置文件可以轻松地搭建各种检测模型。

支持的模型:

• YOLOv5(s,m,l,x)
• YOLOv4(标准版，sam版)
• PP-YOLO
• YOLOv3

更多的Backone：

• DarkNet
• CSPDarkNet
• ResNet
• YOLOv5Darknet

数据增强方法：

• Mosaic
• MixUp
• Resize
• LetterBox
• RandomCrop
• RandomFlip
• RandomHSV
• RandomBlur
• RandomNoise
• RandomAffine
• RandomTranslation
• Normalize
• ImageToTensor
• 相关配置使用说明请参考【这里】

损失函数支持：

• bbox loss (IOU,GIOU,DIOU,CIOU)
• confidence loss(YOLOv4,YOLOv5,PP-YOLO)
• IOU_Aware_Loss(PP-YOLO)
• FocalLoss

训练技巧支持：

• 指数移动平均
• 预热
• 梯度剪切
• 梯度累计更新
• 多尺度训练
• 学习率调整：Fixed，Step，Exp，Poly，Inv，Consine
• Label Smooth
• 强烈说明 通过实验对比发现YOLOv5的正负样本划分定义和损失函数定义，使得模型收敛速度较快，远超原yolo系列对正负样本的划分和损失定义。对于如果卡资源不充足，想在短时间内收敛模型，可采用yolov5的正负样本划分和损失函数定义，相关参数为yolo_loss_type=yolov5。
• 额外补充 YOLOv5对于正样本的定义:在不同尺度下只要真框和给定锚框的的比值在4倍以内，该锚框即可负责预测该真值框。并根据gx,gy在grid中心点位置的偏移量会额外新增两个grid坐标来预测。通过这一系列操作，增加了正样本数量，加速模型收敛速度。而YOLO原系列对于真框，在不同尺度下只有在该尺度下IOU交并集最大的锚框负责预测该真框，其他锚框不负责，所以由于较少的正样本量，模型收敛速度较慢。

扩展特性：

• Group Norm
• Modulated Deformable Convolution
• Focus
• Spatial Pyramid Pooling
• FPN-PAN
• coord conv
• drop block
• SAM

代码结构说明

yolodet-pytorch
├──cfg              #模型配置文件所在目录(yolov5,yolov4等)
├──tools            #工具包，包含训练代码，测试代码和推断代码入口。
├──yolodet          #YOLO检测框架核心代码库
│  ├──apis          #提供检测框架的训练，测试和推断和模型保存的接口
│  ├──dataset       #包含DateSet，DateLoader和数据增强等通用方法
│  ├──models        #YOLO检测框架的核心组件集结地
│  │  ├──detectors  #所有类型检测器集结地
│  │  ├──backbones  #所有骨干网络集结地
│  │  ├──necks      #所有necks集结地
│  │  ├──heads      #heads集结地
│  │  ├──loss       #所有损失函数集结地
│  │  ├──hooks      #hooks集结地(学习率调整，模型保存，训练日志，权重更新等)
│  │  ├──utils      #所有工具方法集结地

安装说明

安装和数据集准备请参考 INSTALL.md 。

快速开始

请参阅 GETTING_STARTED.md 了解YOLODet的基本用法。

预训练模型

查看预训练模型请点击【这里】

重要说明

由于该检测框架为个人闲暇之余，处于对深度学习的热爱，自己单独编写完成，也由于自己囊中羞涩，没有充足的显卡资源，提供的MSCOCO大型数据集的预训练模型为未完整训练的模型，后面会陆陆续续提供完整版的预训练模型，敬请大家期待。对于小型数据集本人已经测试和验证过，并在实际项目中使用过该框架训练的模型，没有问题，精度和速度都能保证。

鸣谢

• 本检测框架中的代码结构参考open-mmlab的 mmdetection并做部分引用，已在代码注释中说明。
• 神经网络网络结构可视化工具：Netron https://github.com/lutzroeder/Netron
• Paper YOLOv4: https://arxiv.org/abs/2004.10934
• Source code:https://github.com/AlexeyAB/darknet
• More details: http://pjreddie.com/darknet/yolo/
• YOLOv5：https://github.com/ultralytics/yolov5
• PP-YOLO：https://arxiv.org/abs/2007.12099
• PP-YOLO code：https://github.com/PaddlePaddle/PaddleDetection

如何贡献代码

欢迎你为YOLODet提供代码，也十分感谢你的反馈。本人将不断完善和改进这个基于PyTorch实现的YOLO全系列的目标检测框架，并希望更多志同道合的爱好者和从业者能参与进来，共同维护这个项目。
如有对此感兴趣的同学，可联系我的gmail邮箱:wuzhihao7788@gmail.com,期待与你一起完善和进步。