BestYOLO是一个以科研和竞赛为导向的最好的YOLO实践框架!
目前BestYOLO是一个完全基于YOLOv5 v7.0 进行改进的开源库，该库将始终秉持以落地应用为导向，以轻便化使用为宗旨，简化各种模块的改进。目前已经集成了基于torchvision.models 模型为Backbone的YOLOv5目标检测算法，同时也将逐渐开源更多YOLOv5应用程序。
- Backbone-ResNet18 对齐 resnet18
- Backbone-RegNet_y_400mf 对齐 regnet_y_400mf
- Backbone-MobileNetV3 small 对齐 mobilenet_v3_small
- Backbone-EfficientNet_B0 对齐 efficientnet_b0
- Backbone-ResNet34 对齐 resnet34
- Backbone-ResNet50 对齐 resnet50
- Backbone-EfficientNetV2_s 对齐 efficientnet_v2_s
- Backbone-EfficientNet_B1 对齐 efficientnet_b1
- Backbone-MobileNetV2 对齐 mobilenet_v2
- Backbone-wide_resnet50_2 对齐 wide_resnet50_2
- Backbone-VGG11_BN 对齐 vgg11_bn
- Backbone-Convnext Tiny 对齐 convnext_tiny
所有Backbone都支持开启预训练权重，只需添加
pretrained=True到每个common.py 的模型中。torchvision.models中的预训练权重都是基于ImageNet-1K数据集训练的！
| models | layers | parameters | model size(MB) |
|---|---|---|---|
| yolov5n | 214 | 1766623 | 3.9 |
| MobileNetV3s | 313 | 2137311 | 4.7 |
| efficientnet_b0 | 443 | 6241531 | 13.0 |
| RegNety400 | 450 | 5000191 | 10.5 |
| ResNet18 | 177 | 12352447 | 25.1 |
| ResNet34 | 223 | 22460607 | 45.3 |
| ResNet50 | 258 | 27560895 | 55.7 |
| EfficientNetV2_s | 820 | 22419151 | 45.8 |
| efficientnet_b1 | 539 | 6595615 | 13.8 |
| mobilenet_v2 | 320 | 4455295 | 9.4 |
| wide_resnet50_2 | 258 | 70887103 | 142.3 |
| vgg11_bn | 140 | 10442879 | 21.9 |
| convnext_tiny | 308 | 29310175 | 59.0 |
.yaml配置文件中的depth_multiple和width_multiple可以同时设置为1试试，说不定会有不错的效果。
SPP是空间金字塔池化，作用是一个实现一个自适应尺寸的输出。（传统的池化层如最大池化、平均池化的输出大小是和输入大小挂钩的，但是我们最后做全连接层实现分类的时候需要指定全连接的输入，所以我们需要一种方法让神经网络在某层得到一个固定维度的输出，而且这种方法最好不是resize（resize会失真），由此SPP应运而生，其最早是何凯明提出，应用于RCNN模型）。当今的SPP在faster-rcnn上已经发展为今天的Multi-Scale-ROI-Align，而在Yolo上发展为SPPF。
- yolov5n(SPPF)
- yolov5n-SPP
- yolov5n-SimSPPF
- yolov5n-ASPP
- yolov5n-RFB
- yolov5n-SPPCSPC
- yolov5n-SPPCSPC_group
- yolov5n-SimCSPSPPF
| models | layers | parameters |
|---|---|---|
| yolov5n(SPPF) | 214 | 1766623 |
| yolov5n-SPP | 217 | 1766623 |
| yolov5n-SimSPPF | 216 | 1766623 |
| yolov5n-ASPP | 214 | 3831775 |
| yolov5n-RFB | 251 | 1932287 |
| yolov5n-SPPCSPC | 232 | 3375071 |
| yolov5n-SPPCSPC_group | 232 | 2047967 |
| yolov5n-SimCSPSPPF | 229 | 3375071 |
- yolov5n
- yolov5n-FPN-AC
- yolov5n-PAN-AC
- yolov5n-FPN+PAN-AC
- yolov5n-FPN-AS
- yolov5n-PAN-AS
- yolov5n-FPN+PAN-AS
| models | layers | parameters |
|---|---|---|
| yolov5n | 214 | 1766623 |
| yolov5n-FPN-AC | 188 | 1858399 |
| yolov5n-PAN-AC | 186 | 1642591 |
| yolov5n-FPN+PAN-AC | 160 | 1734367 |
| yolov5n-FPN-AS | 204 | 2106847 |
| yolov5n-PAN-AS | 194 | 1891039 |
| yolov5n-FPN+PAN-AS | 184 | 2231263 |
训练不要使用
Soft-NMS，耗时太久，请在val阶段开启，适用于小目标重叠数据。
- YOLOv5模型训练测试以及多端部署教学内容
- 从零到一看懂YOLOv5-OneFlow实现
- YOLOV5的FPS计算问题
- YOLO系列的Neck模块介绍
- YOLOv5数据增强详解 (hyp.scratch-low.yaml 和 augmentations.py)
- YOLOv5任意版本添加Grad-CAM热图可视化
- YOLOv5训练出的模型权重加解密方法
- YOLOv5系列：6.修改Soft-NMS,Soft-CIoUNM...
- YOLOv5系列：空间金字塔池化改进 SPPF / SPPFCSPC...
- YOLOv5|针对视觉任务的独立自注意力层
- YOLOv5项目代码加密
- YOLOv5：添加漏检率和虚检率输出
- YOLOv5解析 | 绘制results.csv文件数据对比图
- YOLOv5的Tricks-图片采样策略——按数据集各类别权重采样
- YOLOv5如何进行区域目标检测（手把手教学）
- 2D目标检测论文大盘点（37篇）
- 连夜看了30多篇改进YOLO的中文核心期刊
- 知网最新改进 YOLO 核心论文合集 | 22篇创新点速览
- 小目标检测大杀器：yolov5-pip 和sahi
- 小目标检测大杀器：填鸭式数据增强
应注意：训练和推理数据保持相同的数据形式，即不能通过非切图训练，根据切图推理！
- 一个不成熟的优化器选择参考：
- https://github.com/ultralytics/yolov5/tree/v7.0
- https://github.com/ppogg/YOLOv5-Lite
- https://github.com/deepcam-cn/yolov5-face
- https://github.com/Gumpest/YOLOv5-Multibackbone-Compression
- https://github.com/jizhishutong/YOLOU
- https://github.com/Bobo-y/flexible-yolov5
- https://github.com/iscyy/yoloair
- https://github.com/WangQvQ/Yolov5_Magic
- https://github.com/Hongyu-Yue/yoloV5_modify_smalltarget
- https://github.com/wuzhihao7788/yolodet-pytorch
- https://github.com/iscyy/yoloair2
- https://github.com/positive666/yolo_research
- https://github.com/Javacr/PyQt5-YOLOv5
- https://github.com/yang-0201/YOLOv6_pro
- https://github.com/yhwang-hub/dl_model_deploy
- https://github.com/FeiYull/TensorRT-Alpha
- https://github.com/sjinzh/awesome-yolo-object-detection
- https://github.com/z1069614715/objectdetection_script
- https://github.com/icey-zhang/SuperYOLO
- https://github.com/akashAD98/awesome-yolo-object-detection
- https://github.com/cv516Buaa/tph-yolov5
- https://github.com/icey-zhang/SuperYOLO
- https://github.com/luogen1996/OneTeacher
- https://github.com/AlibabaResearch/efficientteacher
- https://github.com/YOLOonMe/EMA-attention-module
- https://github.com/maggiez0138/yolov5_quant_sample
- https://github.com/OutBreak-hui/YoloV5-Flexible-and-Inference
- https://github.com/Johnathan-Xie/ZSD-YOLO
- https://github.com/chengshuxiao/YOLOv5-ODConvNeXt
- https://github.com/LSH9832/edgeyolo
@article{2023bestyolo,
title={{BestYOLO}: Making research and competition easier},
author={Rongsheng Wang},
repo={github https://github.com/WangRongsheng/BestYOLO},
year={2023}
}