這里推薦一個YOLO系列的算法實現(xiàn)庫YOLOU，此處的“U”意為“United”的意思，主要是為了學習而搭建的YOLO學習庫，也借此向前輩們致敬，希望不被罵太慘；

整個算法完全是以YOLOv5的框架進行，主要包括的目標檢測算法有：YOLOv3、YOLOv4、YOLOv5、YOLOv5-Lite、YOLOv6、YOLOv7、YOLOX以及YOLOX-Lite。

同時為了方便算法的部署落地，這里所有的模型均可導出ONNX并直接進行TensorRT等推理框架的部署，后續(xù)也會持續(xù)更新。

模型精度對比

服務端模型

這里主要是對于YOLO系列經(jīng)典化模型的訓練對比，主要是對于YOLOv5、YOLOv6、YOLOv7以及YOLOX的對比，部分模型還在訓練之中，后續(xù)所有預訓練權重均會放出，同時對應的ONNX文件也會給出，方便大家部署應用落地。

注意，這里關于YOLOX也沒完全復現(xiàn)官方的結果，后續(xù)有時間還會繼續(xù)調參測試，盡可能追上YOLOX官方的結果。

下表是關于YOLOU中模型的測試，也包括TensorRT的速度測試，硬件是基于3090顯卡進行的測試，主要是針對FP32和FP16進行的測試，后續(xù)的TensorRT代碼也會開源。目前還在整理之中。

輕量化模型

為了大家在手機端或者其他諸如樹莓派、瑞芯微、AID以及全志等芯片的部署，YOLOU也對YOLOv5和YOLOX進行了輕量化設計。

下面主要是對于邊緣端使用的模型進行對比，主要是借鑒之前小編參與的YOLOv5-Lite的倉庫，這里也對YOLOX-Lite進行了輕量化遷移，總體結果如下表所示，YOLOX-Lite基本上可以超越YOLOv5-Lite的精度和結果。

如何使用YOLOU？

安裝

這里由于使用的是YOLOv5的框架進行的搭建，因此安裝形式也及其的簡單，具體如下：

git clone https://github.com/jizhishutong/YOLOU
cd YOLOU
pip install -r requirements.txt

數(shù)據(jù)集

這里依舊使用YOLO格式的數(shù)據(jù)集形式，文件夾形式如下：

train: ../coco/images/train2017/
val: ../coco/images/val2017/

具體的標注文件和圖像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

參數(shù)配置

YOLOU為了方便切換不同模型之間的訓練，這里僅僅需要配置一個mode即可切換不同的模型之間的檢測和訓練，具體意義如下：

注意：這里的mode主要是對于Loss計算的選擇，對于YOLOv3、YOLOv4、YOLOv5、YOLOR以及YOLOv5-Lite直接設置mode=yolo即可，對于YOLOX以及YOLOX-Lite則設置mode=yolox，對于YOLOv6和YOLOv7則分別設置mode=yolov6和mode=yolov7；

注意由于YOLOv7使用了Aux分支，因此在設置YOLOv7時有一個額外的參數(shù)需要配置，即use_aux=True。

具體訓練指令如下：

python train.py --mode yolov6 --data coco.yaml --cfg yolov6.yaml --weights yolov6.pt --batch-size 32

檢測指令如下：

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

檢測結果

服務端模型

輕量化模型

參考

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