YOLODet最新算法的目标检测开发套件，优化到部署

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。

代码 获取方式：

分享本文到朋友圈

关注微信公众号 datayx 然后回复 目标检测 即可获取。

YOLODet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

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

安装说明

安装和数据集准备请参考 INSTALL.md 。

要求

• python3.7 (不支持python2)
• PyTorch 1.5或更高版本
• CUDA 10.0或更高
• NCCL 2
• GCC(G ) 4.9或以上

快速开始

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

模型训练

YOLODetection提供执行单卡多卡的训练。所有输出(日志文件和检查点)将保存到工作目录中。

这是由配置文件中的work_dir指定的。

*Important*: 配置文件的默认学习率是1个gpu和小批次大小为2，累计到64个批次大小进行梯度更新。

根据余弦败火规则，如果你使用不同的GPU或每个GPU的图像，你需要设置与批大小成比例的学习率，配置文件中的batch_size和subdivisions确定。

使用GPU训练

可选参数:

• --validate(强烈建议):在训练epoch期间每一次k(默认值是1，可以像这样修改this)来执行评估。
• --work_dir ${WORK_DIR}:覆盖配置文件中指定的工作目录。
• --device ${device}: 指定device训练, 0 or 0,1,2,3 or cpu，默认全部使用。
• --resume_from ${CHECKPOINT_FILE}:从以前训练的checkpoints文件恢复训练。
• --multi-scale:多尺度缩放，尺寸范围为训练图片尺寸 /- 50%

resume_from 和load_from的不同:

resume_from加载模型权重和优化器状态，并且训练也从指定的检查点继续训练。它通常用于恢复意外中断的训练。 load_from只加载模型权重，并且训练从epoch 0开始。它通常用于微调。

用于测试图像的高级api接口

下面是一个构建模型和测试给定图像的示例。

预训练模型

YOLO

• 重要说明: 由于本人资源有限，只有单张1080Ti的显卡可供训练，完整训练完训练周期较长。为了说明本框架可训练，推断和测试。本次给出的预训练模型只是训练24个epoch的模型，损失值还在下降中，未训练充分，仅供大家参考。如有条件的开发者可完成本次训练，并希望你能把训练好的预训练模型提供出来，供大家使用。我也会在重要位置进行声明和感谢。

• 效果图
• YOLOv5-l: