YOLOAir 算法代码库是一个基于 PyTorch 的 YOLO 系列目标检测开源工具箱。使用统一模型代码框架、统一应用方式、统一调参，该库包含大量的改进模块，可使用不同网络模块来快速构建不同网络的检测模型。基于 YOLOv5 代码框架，并同步适配 YOLOv5(v6.0/v6.1 更新) 部署生态。用户在使用这个项目之前, 可以先了解 YOLOv5 库。
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。
$ python tools/wbf.py
教程
基本教程与 YOLOv5 框架同步，其他教程如下 (持续更新中…)
