一个目标检测框架同时搞定YOLOv5、YOLOv4、PPYOLO和YOLOv3

YOLODet-PyTorch

 

github地址：https://github.com/wuzhihao7788/yolodet-pytorch

目录

YOLODet-PyTorch

 

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

---

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
• YOLOv4
• 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】