YOLOU开源 | 汇集YOLO系列所有算法,集算法学习、科研改进、落地于一身!

2022 年 7 月 30 日 极市平台
↑ 点击 蓝字  关注极市平台

作者丨ChaucerG
来源丨集智书童
编辑丨极市平台

极市导读

 

本文介绍了一个YOLO系列的算法实现库YOLOU,并给出详细的使用步骤。整个算法完全是以YOLOv5的框架进行,涵盖了所属系列的多种目标检测算法。 >>极市七夕粉丝福利活动:搞科研的日子是364天,但七夕只有一天!

前言

这里推荐一个YOLO系列的算法实现库YOLOU,此处的“U”意为“United”的意思,主要是为了学习而搭建的YOLO学习库,也借此向前辈们致敬,希望不被骂太惨.
整个算法完全是以YOLOv5的框架进行,主要包括的目标检测算法有:YOLOv3、YOLOv4、YOLOv5、YOLOv5-Lite、YOLOv6、YOLOv7、YOLOX以及YOLOX-Lite。
同时为了方便算法的部署落地,这里所有的模型均可导出ONNX并直接进行TensorRT等推理框架的部署,后续也会持续更新。

模型精度对比

服务端模型

这里主要是对于YOLO系列经典化模型的训练对比,主要是对于YOLOv5、YOLOv6、YOLOv7以及YOLOX的对比,部分模型还在训练之中,后续所有预训练权重均会放出,同时对应的ONNX文件也会给出,方便大家部署应用落地。
注意,这里关于YOLOX也没完全复现官方的结果,后续有时间还会继续调参测试,尽可能追上YOLOX官方的结果。
下表是关于YOLOU中模型的测试,也包括TensorRT的速度测试,硬件是基于3090显卡进行的测试,主要是针对FP32和FP16进行的测试,后续的TensorRT代码也会开源。目前还在整理之中。

轻量化模型

为了大家在手机端或者其他诸如树莓派、瑞芯微、AID以及全志等芯片的部署,YOLOU也对YOLOv5和YOLOX进行了轻量化设计。
下面主要是对于边缘端使用的模型进行对比,主要是借鉴之前小编参与的YOLOv5-Lite的仓库,这里也对YOLOX-Lite进行了轻量化迁移,总体结果如下表所示,YOLOX-Lite基本上可以超越YOLOv5-Lite的精度和结果。

如何使用YOLOU?

安装

这里由于使用的是YOLOv5的框架进行的搭建,因此安装形式也及其的简单,具体如下:
  
  
    
git  clone https://github.com/jizhishutong/YOLOU  
cd YOLOU  
pip install -r requirements.txt  

数据集

这里依旧使用YOLO格式的数据集形式,文件夹形式如下:
  
  
    
train: ../coco/images/train2017/  
val: ../coco/images/val2017/  
具体的标注文件和图像list如下所示:
  
  
    
├── images             # xx.jpg example  
│   ├── train2017          
│   │   ├── 000001.jpg  
│   │   ├── 000002.jpg  
│   │   └── 000003.jpg  
│   └── val2017           
│       ├── 100001.jpg  
│       ├── 100002.jpg  
│       └── 100003.jpg  
└── labels              # xx.txt example        
    ├── train2017         
    │   ├── 000001.txt  
    │   ├── 000002.txt  
    │   └── 000003.txt  
    └── val2017           
        ├── 100001.txt  
        ├── 100002.txt  
        └── 100003.txt  

参数配置

YOLOU为了方便切换不同模型之间的训练,这里仅仅需要配置一个 mode即可切换不同的模型之间的检测和训练,具体意义如下:
注意:这里的 mode主要是对于Loss计算的选择,对于YOLOv3、YOLOv4、YOLOv5、YOLOR以及YOLOv5-Lite直接设置 mode=yolo即可,对于YOLOX以及YOLOX-Lite则设置 mode=yolox,对于YOLOv6和YOLOv7则分别设置 mode=yolov6和mode=yolov7.
注意由于YOLOv7使用了Aux分支,因此在设置YOLOv7时有一个额外的参数需要配置,即 use_aux=True。具体训练指令如下:
  
  
    
python train.py --mode yolov6 --data coco.yaml --cfg yolov6.yaml --weights yolov6.pt --batch-size 32  
检测指令如下:
  
  
    
python detect.py -- source 0   # webcam  
                            file.jpg   # image   
                            file.mp4   # video  
                            path/   # directory  
                            path/*.jpg   # glob  
                             'https://youtu.be/NUsoVlDFqZg'   # YouTube  
                             'rtsp://example.com/media.mp4'   # RTSP, RTMP, HTTP stream  

检测结果

服务端模型

轻量化模型

参考
[1]. https://github.com/jizhishutong/YOLOU



公众号后台回复“ECCV2022”获取论文分类资源下载~

△点击卡片关注极市平台,获取 最新CV干货

极市干货
算法项目: CV工业项目落地实战 目标检测算法上新!(年均分成5万)
实操教程 Pytorch - 弹性训练原理分析《CUDA C 编程指南》导读
极视角动态: 极视角作为重点项目入选「2022青岛十大资本青睐企业」榜单! 极视角发布EQP激励计划,招募优质算法团队展开多维度生态合作! 极市AI校园大使招募


点击阅读原文进入CV社区

收获更多技术干货


登录查看更多
0

相关内容

NeurIPS 2021 | 寻MixTraining: 一种全新的物体检测训练范式
专知会员服务
11+阅读 · 2021年12月9日
专知会员服务
17+阅读 · 2021年4月24日
专知会员服务
29+阅读 · 2021年4月5日
专知会员服务
109+阅读 · 2020年3月12日
更准更快的YOLOv6来了,美团出品并开源
机器之心
0+阅读 · 2022年6月26日
实践教程|如何用YOLOX训练自己的数据集?
极市平台
0+阅读 · 2022年1月5日
一文读懂YOLO V5 与 YOLO V4
极市平台
17+阅读 · 2020年7月21日
用PyTorch做物体检测和追踪
AI研习社
12+阅读 · 2019年1月6日
【下载】PyTorch 实现的YOLO v2目标检测算法
专知
15+阅读 · 2017年12月27日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
Arxiv
12+阅读 · 2021年11月1日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
VIP会员
相关资讯
更准更快的YOLOv6来了,美团出品并开源
机器之心
0+阅读 · 2022年6月26日
实践教程|如何用YOLOX训练自己的数据集?
极市平台
0+阅读 · 2022年1月5日
一文读懂YOLO V5 与 YOLO V4
极市平台
17+阅读 · 2020年7月21日
用PyTorch做物体检测和追踪
AI研习社
12+阅读 · 2019年1月6日
【下载】PyTorch 实现的YOLO v2目标检测算法
专知
15+阅读 · 2017年12月27日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员