【深度学习】集成多种YOLO改进点，面向小白科研的YOLO检测代码库YOLOAir

该项目包含大量的改进方式，并能降低改进难度，改进点包含 Backbone、Neck、Head、注意力机制、IoU 损失函数、多种 NMS、Loss 损失函数、自注意力机制系列、数据增强部分、激活函数等部分，更多内容可以关注 YOLOAir 项目的说明文档。项目同时附带各种改进点原理及对应的代码改进方式教程，用户可根据自身情况快速排列组合，在不同的数据集上实验, 应用组合改进点写论文！模块组件化：帮助用户自定义快速组合 Backbone、Neck、Head，使得网络模型多样化，使得改进检测算法、工程算法部署落地更便捷，构建更强大的网络模型。支持YOLOv5、YOLOv7、YOLOX、YOLOR、YOLOv3、YOLOv4、Scaled_YOLOv4、Transformer等算法网络模型进行改进。

项目地址:  https://github.com/iscyy/yoloair项目介绍主要特性持续更新支持更多的 YOLO 系列算法模型，作者对可以进行改进的部分进行了分类：支持更多 Backbone

CSPDarkNet 系列

ResNet 系列

RegNet 系列

RepBlock 系列

ShuffleNet 系列

Ghost 系列

MobileNet 系列

ConvNext 系列

RepLKNet 系列

EfficientNet

CNN 和 Transformer 混合：BoTNet、CoTNet、Acmix

自注意力机制 Transformer：Transformer、Swin

支持更多 Neck

neck 包含 FPN、PANet、BiFPN 等主流结构，同时可以添加和替换任何模块

支持更多检测头 Head

YOLOv5 Head 检测头

YOLOX 的解耦合检测头 Decoupled Head

自适应空间特征融合检测头 ASFF Head

YOLOv7 检测头 IDetect Head、IAuxDetect Head 等

支持更多即插即用的注意力机制

在网络任何部分即插即用式使用注意力机制

SE、CBAM、CA、GAM、ECA 等多种主流注意力机制

Self Attention

Contextual Transformer

Bottleneck Transformer

S2-MLP Attention

SK Attention

CBAM Attention

SE Attention

Coordinate attention

BAM Attention

GAM attention

ECA Attention

Shuffle Attention

DANet Attention

持续更新中

支持更多损失函数

CIoU、DIoU、GIoU、EIoU、SIoU、alpha IOU 等损失函数

支持更多 NMS

NMS、Merge-NMS、DIoU-NMS、Soft-NMS、CIoU-NMS、DIoU-NMS、GIoU-NMS、EIoU-NMS、SIoU-NMS、Soft-SIoUNMS、Soft-CIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS、Soft-GIoUNMS 等持续更新中

支持更多数据增强

Mosaic、Copy paste、Random affine(Rotation, Scale, Translation and Shear)、MixUp、Augment HSV(Hue, Saturation, Value，Random horizontal flip)

支持更多 Loss

ComputeLoss、ComputeNWDLoss、ComputeXLoss、ComputeLossAuxOTA(v7)、ComputeLossOTA(v7) 等 

支持加载 YOLOv3、YOLOv4、YOLOv5、YOLOv7、YOLOR 等网络的官方预训练权重进行迁移学习

支持 Anchor-base 检测器和 Anchor-Free 检测器

内置多种网络模型模块化组件

Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, DWT, BottleneckCSP2SAM, VoVCSP 等

以上组件模块使用统一模型代码框架、统一任务形式、统一应用方式，模块组件化可以帮助用户自定义快速组合 Backbone、Neck、Head，使得网络模型多样化，助力科研改进检测算法，构建更强大的网络模型。内置改进网络模型配置支持包括基于 YOLOv5 的其他几十种改进网络结构等算法模型的 yaml 配置文件汇总，使用 YOLOv5 网络作为示范，可以将这些模块无缝加入到 YOLOv7、YOLOX、YOLOR、YOLOv4、Scaled_YOLOv4、YOLOv3 等系列 YOLO 算法模块。用户可自行基于提供的网络模块，进行自定义改进网络。YOLOAir 算法库汇总了多种主流 YOLO 系列检测模型，一套代码汇集多种模型结构:

内置 YOLOv5 模型网络结构

内置 YOLOv7 模型网络结构

内置 YOLOX 模型网络结构

内置 YOLOR 模型网络结构

内置 Scaled_YOLOv4 模型网络结构

内置 YOLOv4 模型网络结构

内置 YOLOv3 模型网络结构

TPH-YOLO 模型网络结构

YOLOv5-Lite 模型网络结构

YOLO-FaceV2 模型网络结构

PicoDet 模型网络结构

以及其他部分改进模型

以上多种检测算法网络模型使用统一代码框架，集成在 YOLOAir 代码库中，统一应用方式。便于科研者用于论文算法模型改进，模型对比，实现网络组合多样化，包含轻量化模型和精度更高的模型，根据场景合理选择，在精度和速度者两个方面取得平衡。同时该库支持解耦不同的结构和模块组件，让模块组件化，通过组合不同的模块组件，用户可以根据不同数据集或不同业务场景自行定制化构建不同检测模型。使用代码遵循 YOLOv5 设计原则，使用方式基本和 YOLOv5 框架对齐。安装在 Python>=3.7.0 的环境中克隆版本仓并安装 requirements.txt，包括 PyTorch>=1.7。

$ git clone https://github.com/iscyy/yoloair.git  # 克隆$ cd yoloair$ pip install -r requirements.txt  # 安装训练

$ python train.py --data coco128.yaml --cfg configs/yolov5/yolov5s.yaml

推理detect.py 在各种数据源上运行推理, 并将检测结果保存到 runs/detect 目录。

$ python detect.py --source img.jpg

融合如果使用不同的模型推理数据集，可以使用 wbf.py 通过加权框融合来集成结果。在 wbf.py 中设置 img 路径和 txt 路径。