YOLODet最新算法的目标检测开发套件，优化到部署

向AI转型的程序员都关注了这个号????????????

人工智能大数据与深度学习公众号：datayx

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。

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。

AI项目体验地址 https://loveai.tech

凡在本淘宝店：紫荷包饰 内购买任何一款包包

承诺赠送以下全套学习视频资料

目标检测/文本检测系列算法讲解课程(13课时)
机器学习系列算法理论讲解课程(20课时)
深度神经网络算法(38课时)
知识图谱(11课时)

店铺地址：

https://shop585613237.taobao.com

↓

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

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:

机器学习算法AI大数据技术

搜索公众号添加： datanlp

长按图片，识别二维码

阅读过本文的人还看了以下文章：

TensorFlow 2.0深度学习案例实战

基于40万表格数据集TableBank，用MaskRCNN做表格检测

《基于深度学习的自然语言处理》中/英PDF

Deep Learning 中文版初版-周志华团队

【全套视频课】最全的目标检测算法系列讲解，通俗易懂！

《美团机器学习实践》_美团算法团队.pdf

《深度学习入门：基于Python的理论与实现》高清中文PDF+源码

特征提取与图像处理(第二版).pdf

python就业班学习视频，从入门到实战项目

2019最新《PyTorch自然语言处理》英、中文版PDF+源码

《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码

《深度学习之pytorch》pdf+附书源码

PyTorch深度学习快速实战入门《pytorch-handbook》

【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》

《Python数据分析与挖掘实战》PDF+完整源码

汽车行业完整知识图谱项目实战视频(全23课)

李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材

笔记、代码清晰易懂！李航《统计学习方法》最新资源全套！

《神经网络与深度学习》最新2018版中英PDF+源码

将机器学习模型部署为REST API

FashionAI服装属性标签图像识别Top1-5方案分享

重要开源！CNN-RNN-CTC 实现手写汉字识别

yolo3 检测出图像中的不规则汉字

同样是机器学习算法工程师，你的面试为什么过不了？

前海征信大数据算法：风险概率预测

【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类

VGG16迁移学习，实现医学图像识别分类工程项目

特征工程(一)

特征工程(二) :文本数据的展开、过滤和分块

特征工程(三):特征缩放,从词袋到 TF-IDF

特征工程(四): 类别特征

特征工程(五): PCA 降维

特征工程(六): 非线性特征提取和模型堆叠

特征工程(七)：图像特征提取和深度学习

如何利用全新的决策树集成级联结构gcForest做特征工程并打分？

Machine Learning Yearning 中文翻译稿

蚂蚁金服2018秋招-算法工程师（共四面）通过

全球AI挑战-场景分类的比赛源码(多模型融合)

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

python+flask搭建CNN在线识别手写中文网站

中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程

不断更新资源

深度学习、机器学习、数据分析、python

搜索公众号添加： datayx