关于人工智能:YOLOAir面向小白的目标检测库更快更方便更完整的YOLO库

YOLOAir 算法代码库是一个基于 PyTorch 的 YOLO 系列指标检测开源工具箱。应用对立模型代码框架、对立利用形式、对立调参，该库蕴含大量的改良模块，可应用不同网络模块来疾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) 部署生态。用户在应用这个我的项目之前, 能够先理解 YOLOv5 库。

YOLOAir 算法库 是一个基于 PyTorch 的一系列 YOLO 检测算法组合工具箱。用来组合不同模块构建不同网络。该项目标主旨是 让改良 YOLO 构造更快、更不便 。心愿 YOLOAir 可能在工程和科研帮大家解决一些难题，我的项目继续保护中，有问题能够在欢送大家在 issue 中发问，另外如果大家心愿在 YOLOAir 中退出更多的代码，也欢送分割作者或者在 issue 中提出。开源工作不易，心愿大家可能能个star 反对一下呀~

该我的项目蕴含大量的改良形式，改良点蕴含 Backbone、Neck、Head、注意力机制、IoU 损失函数、多种 NMS、Loss 损失函数、自注意力机制系列、数据加强局部、激活函数等局部 ，更多内容能够关注 YOLOAir 我的项目的阐明文档。\
我的项目同时附带各种改良点原理及对应的代码改良形式教程，用户可依据本身状况疾速排列组合，在不同的数据集上试验, 利用组合改良点写论文！\
模块组件化：帮忙用户自定义疾速组合 Backbone、Neck、Head，使得网络模型多样化，使得改良检测算法、工程算法部署落地更便捷，构建更弱小的网络模型。\
反对 YOLOv5、YOLOv7、YOLOX、YOLOR、YOLOv3、YOLOv4、Scaled_YOLOv4、Transformer 等算法网络模型进行改良。

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

我的项目介绍

次要个性

继续反对更多的 YOLO 系列模型模块，作者对能够进行改良的局部进行了分类：
反对更多 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
• EfficientNet 系列
• CNN 和 Transformer：BoTNet、CoTNet、Acmix 等
• 自注意力机制：Transformer、Swin 等

反对更多 Neck

• neck 蕴含 FPN、PANet、BiFPN 等支流构造，同时能够增加和替换任何模块

反对更多检测头 Head

• YOLOv5 Head 检测头
• YOLOX 的解耦合检测头 Decoupled Head
• 自适应空间特色交融检测头 ASFF Head
• YOLOv7 检测头 IDetect Head、IAuxDetect Head 等

反对更多即插即用的注意力机制

• 在网络任何局部即插即用式应用注意力机制, 内置多种支流注意力机制
• Self Attention
• Contextual Transformer
• Bottleneck Transformer
• S2-MLP Attention
• SK Attention
• CBAM Attention
• SE Attention
• Coordinate attention
• BAM Attention
• GAM attention
• ECA Attention
• Shuffle Attention
• DANet Attention
• 继续更新中

反对更多损失函数

• 内置 CIoU、DIoU、GIoU、EIoU、SIoU、alpha IOU 等损失函数，继续更新

反对更多 NMS

• 内置 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 等继续更新中

反对更多数据加强

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

反对更多 Loss

• ComputeLoss、ComputeNWDLoss、ComputeLoss(X)、ComputeLoss(v6)、ComputeLossAuxOTA(v7)、ComputeLossOTA(v7) 等 
• 反对 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, Transformer, Swin Transformer, CoTNet transformer, BoTNet transformer, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, DWT, BottleneckCSP2, VoVCSP… 等详情看我的项目内容

以上组件模块应用对立模型代码框架、对立工作模式、对立利用形式，模块组件化能够帮忙用户自定义疾速组合 Backbone、Neck、Head，使得网络模型多样化，助力科研改良检测算法，构建更弱小的网络模型。

内置改良网络模型配置反对

包含基于 YOLOv5 的 几十种 改良网络结构等算法模型的 yaml 配置文件汇总，应用 YOLOv5 网络作为示范，能够将这些模块无缝退出到 YOLOv7、YOLOX、YOLOR、YOLOv4、Scaled_YOLOv4、YOLOv3 等系列 YOLO 算法模块。

YOLOAir 算法库汇总了多种支流 YOLO 系列检测模型的模块，一套代码会集多种模型构造:

• 内置 YOLOv5 模型网络结构
• 内置 YOLOv7 模型网络结构
• 内置 YOLOX 模型网络结构
• 内置 YOLOR 模型网络结构
• 内置 Scaled_YOLOv4 模型网络结构
• 内置 YOLOv4 模型网络结构
• 内置 YOLOv3 模型网络结构
• TPH-YOLO 模型网络结构
• YOLOv5Lite 模型网络结构
• YOLO-FaceV2 模型网络结构
• PicoDet 模型网络结构
• 以及其余局部改良模型网络结构

\
以上多种检测算法网络模型应用对立代码框架，集成在 YOLOAir 代码库中，对立利用形式。便于科研者用于论文算法模型改良，模型比照，实现网络组合多样化，蕴含轻量化模型和精度更高的模型，依据场景正当抉择，在精度和速度者两个方面获得均衡。同时该库反对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，用户能够依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。

应用
代码遵循 YOLOv5 设计准则，应用形式根本和 YOLOv5 框架对齐。
与 YOLOv5 框架同步。

装置
在 Python>=3.7.0 的环境中克隆版本仓并装置 requirements.txt，包含 PyTorch>=1.7。

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

训练

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

交融
如果应用不同的模型推理数据集，能够应用 wbf 文件通过加权框交融来集成后果。在 wbf 文件中设置 img 门路和 txt 门路。

$ python tools/wbf.py

YOLO 网络模型具体改良形式教程及原理参考

• 9. 改良 YOLOv5 系列：9.BoTNet Transformer 构造的批改
• 8. 改良 YOLOv5 系列：8. 减少 ACmix 构造的批改, 自注意力和卷积集成
• 7. 改良 YOLOv5 系列：7. 批改 DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS
• 6. 改良 YOLOv5 系列：6. 批改 Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS
• 5. 改良 YOLOv5 系列：5.CotNet Transformer 构造的批改
• 4. 改良 YOLOv5 系列：4.YOLOv5_最新 MobileOne 构造换 Backbone 批改
• 3. 改良 YOLOv5 系列：3.Swin Transformer 构造的批改
• 2. 改良 YOLOv5 系列：2.PicoDet 构造的批改
• 1. 改良 YOLOv5 系列：1.YOLOv5_CBAM 注意力机制批改(其余注意力机制同理)

YOLO 网络模型具体改良形式教程及原理参考

改良教程演示继续更新中，详情见 GitHub

已建设深度学习公众号——FightingCV，关注于最新论文解读、基础知识坚固、科技新闻速递，欢送大家关注！！！

FightingCV 交换群里每日会发送论文解析，进行学术交流，加群请增加小助手 wx：FightngCV666，备注：地区 - 学校（公司）- 名称

面向小白的顶会论文外围代码学习：https://github.com/xmu-xiaoma…

本文由 mdnice 多平台公布