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?
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:
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。
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”。
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
git clone https://github.com/DL-Practise/YoloAll
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
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:
下载完毕之后,将模型放在model_zoo/yolov3下面即可
Yolov5:
下载完毕之后,将模型放在model_zoo/yolov5下面即可
Yolox:
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