這里推薦一個YOLO系列的算法實現庫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，后續也會持續更新。

模型精度對比

服務端模型

這里主要是對于YOLO系列經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也沒完全復現官方的結果，后續有時間還會繼續調參測試，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：

gitclonehttps://github.com/jizhishutong/YOLOU
cdYOLOU
pipinstall-rrequirements.txt

數據集

這里依舊使用YOLO格式的數據集形式，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.jpgexample
│├──train2017
││├──000001.jpg
││├──000002.jpg
││└──000003.jpg
│└──val2017
│├──100001.jpg
│├──100002.jpg
│└──100003.jpg
└──labels#xx.txtexample
├──train2017
│├──000001.txt
│├──000002.txt
│└──000003.txt
└──val2017
├──100001.txt
├──100002.txt
└──100003.txt

參數配置

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需要配置，即use_aux=True。

具體訓練指令如下：

pythontrain.py--modeyolov6--datacoco.yaml--cfgyolov6.yaml--weightsyolov6.pt--batch-size32

檢測指令如下：

pythondetect.py--source0#webcam
file.jpg#image
file.mp4#video
path/#directory
path/*.jpg#glob
'https://youtu.be/NUsoVlDFqZg'#YouTube
'rtsp://example.com/media.mp4'#RTSP,RTMP,HTTPstream

檢測結果

服務端模型

輕量化模型

參考

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