github地址：https://github.com/wuzhihao7788/yolodet-pytorch
YOLODet-PyTorch
YOLODet-PyTorch是端到端基于pytorch框架复现yolo最新算法的目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。YOLODet-PyTorch以模块化的设计实现了多种主流YOLO目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块。
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。
内容
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:
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：
- [x] Group Norm
- [x] Modulated Deformable Convolution
- [x] Focus
- [x] Spatial Pyramid Pooling
- [x] FPN-PAN
- [x] coord conv
- [x] drop block
- [x] 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】