| Yolo系列框架大合集：闭眼任选不同版本进行目标检测推理（源代码已开源） | 您所在的位置：网站首页 › yolo开源代码 › Yolo系列框架大合集：闭眼任选不同版本进行目标检测推理（源代码已开源） |
Yolo系列框架大合集：闭眼任选不同版本进行目标检测推理（源代码已开源）
|
计算机视觉研究院专栏 作者：Edison_G 目标检测是现在最热门的研究课题，也一直是工业界重点研究的对象，最近几年内，也出现了各种各样的检测框架，所属于YOLO系列是最经典也是目前被大家认可使用的检测框架。但是，该怎么抉择呢？
公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 最近我们创办了通过视频来详解前研技术，有兴趣的同学可以通过观看视屏了解最新检测框架，如目前发布的视频链接： https://www.bilibili.com/video/BV17b4y1m7xy/ https://www.bilibili.com/video/BV1vU4y1j7Ms/
开源代码：https://github.com/DL-Practise/YoloAll 1 前言&背景 目标检测是现在最热门的研究课题，也一直是工业界重点研究的对象，最近几年内，也出现了各种各样的检测框架，所属于YOLO系列是最经典也是目前被大家认可使用的检测框架。不论是PyTorch，还是Tensorflow，又或者是Keras和Caffe，可以说是全平台通用。 在通用目标检测中，从yolov1，v2，v3，v4，v5到最近的yolox，都充分说明了yolo在学术界以及工业界的受欢迎程度。 YoloV1论文地址：https://arxiv.org/pdf/1506.02640.pdf YoloV2（Yolo9000）论文地址：https://arxiv.org/pdf/1612.08242.pdf Yolov3论文地址：https://arxiv.org/pdf/1804.02767.pdf Tiny YOLOv3代码地址：https://github.com/yjh0410/yolov2-yolov3_PyTorchYolov4论文地址：https://arxiv.org/pdf/2004.10934.pdf Yolov5代码地址：https://github.com/ultralytics/yolov5 YOLObile论文地址：https://arxiv.org/pdf/2009.05697.pdfYOLOR论文地址：https://arxiv.org/pdf/2105.04206.pdf除了基线的频繁迭代更新之外，还有很多针对yolo的优化精简版本，如下表所示：
在如此众多的yolo版本中，除了官方的评测数据之外，有没有更加直观的方式来对比各种不同版本的yolo性能呢？
很早之前郑老师就幻想着能有一个集成各种yolo的版本，能够对图片，视频，实时码流进行对比，于是就有了这个YoloAll的想法。希望能在一个software里面对同一张图片，同一段视频，或者同一个camera的码流进行对比分析。
2 YoloAll演示 下面是一段YoloAll的演示视频。目前支持yolo_v3, yolo_v5, yolox, yolo_fastest四个版本；并且支持从图片，视频(mp4)以及camera进行推理分析。
3 结构介绍 YoloAll使用pyqt设计，整体工程结构如下图所示，其中model_zoo下面放置了所有支持的yolo版本，包括里面的各种小版本。
目前支持4个版本的yolo，并且提供了简单的扩展方法，可以把你喜欢的yolo扩展进去。详情见下章节的“扩展模型”。 Yolov3：https://github.com/eriklindernoren/PyTorch-YOLOv3 Yolov5：https://github.com/ultralytics/yolov5 Yolox：https://github.com/Megvii-BaseDetection/YOLOX Yolo-fastest：https://github.com/dog-qiuqiu/Yolo-FastestV2 感谢以上开源项目以及作者，感谢带来了这么好的yolo项目。
4 使用教程 下载源码 git clone https://github.com/DL-Practise/YoloAll 安装依赖下载的yolo版本全部放在model_zoo目录下面，进入到model_zoo中的各个yolo版本中，执行： pip install -r requirements.txt 下载预训练模型当前的YoloAll对于每个yolo版本已经内置了一个最小模型，如下图所示。
如果还想测试其他较大模型，如yolov5_l、yolox_l等，可以从如下链接下载预训练模型，并放置在对应的目录下面： Yolov3： https://pjreddie.com/media/files/yolov3.weights 下载完毕之后，将模型放在model_zoo/yolov3下面即可 Yolov5： https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5m.pt https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5l.pt https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5x.pt 下载完毕之后，将模型放在model_zoo/yolov5下面即可 Yolox： https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_m.pth https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_l.pth https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_x.pth 下载完毕之后，将模型放在model_zoo/yolox下面即可 此时，重新打开界面，能够显示出所有的yolo版本：
YoloAll提供了非常方便的接口来集成自己的yolo版本。将自己的yolo版本放置在model_zoo中。并提供一个api.py的模块，里面实现如下方法： #获取支持的子类型接口。例如yolov5中支持yolov5_s；yolov5_m; yolov5_l等 def get_support_models() #创建模型。根据模型的子类型名称，以及设备类型创建模型 def create_model(model_name='yolov5_s', dev='cpu') #进行一次推理，传入的img_array为opencv读取的图片 def inference(img_array)具体可以参考model_zoo下面的YoloV5/api.py, YoloX/api.py等。 © THE END 转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！ 计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
扫码关注 计算机视觉研究院 公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 往期推荐 ???? Yolo轻量级网络，超轻算法在各硬件可实现工业级检测效果（附源代码） 不再只有Yolo，现在轻量级检测网络层出不穷（框架解析及部署实践） ICCV2021：阿里达摩院将Transformer应用于目标重识别，效果显著（附源代码） 人脸识别精度提升 | 基于Transformer的人脸识别（附源码） CVPR21目标检测新框架：不再是YOLO，而是只需要一层特征（干货满满，建议收藏） ICCV2021最佳检测之一：视频详细讲解框架及实验分析 深度学习模型部署：落实产品部署前至关重要的一件事！ Yolo利息的王者：高效且更精确的目标检测框架（附源代码） 腾讯优图出品：P2P网络的人群检测与计数 |
【本文地址】