这里推荐一个YOLO系列的算法实现库YOLOU，此处的“U”意为“United”的意思，主要是为了学习而搭建的YOLO学习库，也借此向前辈们致敬，希望不被骂太惨；

整个算法完全是以YOLOv5的框架进行，主要包括的目标检测算法有：YOLOv3、YOLOv4、YOLOv5、YOLOv5-Lite、YOLOv6、YOLOv7、YOLOX以及YOLOX-Lite。

同时为了方便算法的部署落地，这里所有的模型均可导出ONNX并直接进行TensorRT等推理框架的部署，后续也会持续更新。

模型精度对比

服务端模型

这里主要是对于YOLO系列经典化模型的训练对比，主要是对于YOLOv5、YOLOv6、YOLOv7以及YOLOX的对比，部分模型还在训练之中，后续所有预训练权重均会放出，同时对应的ONNX文件也会给出，方便大家部署应用落地。

注意，这里关于YOLOX也没完全复现官方的结果，后续有时间还会继续调参测试，尽可能追上YOLOX官方的结果。

下表是关于YOLOU中模型的测试，也包括TensorRT的速度测试，硬件是基于3090显卡进行的测试，主要是针对FP32和FP16进行的测试，后续的TensorRT代码也会开源。目前还在整理之中。

轻量化模型

为了大家在手机端或者其他诸如树莓派、瑞芯微、AID以及全志等芯片的部署，YOLOU也对YOLOv5和YOLOX进行了轻量化设计。

下面主要是对于边缘端使用的模型进行对比，主要是借鉴之前小编参与的YOLOv5-Lite的仓库，这里也对YOLOX-Lite进行了轻量化迁移，总体结果如下表所示，YOLOX-Lite基本上可以超越YOLOv5-Lite的精度和结果。

如何使用YOLOU？

安装

这里由于使用的是YOLOv5的框架进行的搭建，因此安装形式也及其的简单，具体如下：

gitclonehttps://github.com/jizhishutong/YOLOU
cdYOLOU
pipinstall-rrequirements.txt

数据集

这里依旧使用YOLO格式的数据集形式，文件夹形式如下：

train:../coco/images/train2017/
val:../coco/images/val2017/

具体的标注文件和图像list如下所示：

├──images#xx.jpgexample
│├──train2017
││├──000001.jpg
││├──000002.jpg
││└──000003.jpg
│└──val2017
│├──100001.jpg
│├──100002.jpg
│└──100003.jpg
└──labels#xx.txtexample
├──train2017
│├──000001.txt
│├──000002.txt
│└──000003.txt
└──val2017
├──100001.txt
├──100002.txt
└──100003.txt

参数配置

YOLOU为了方便切换不同模型之间的训练，这里仅仅需要配置一个mode即可切换不同的模型之间的检测和训练，具体意义如下：

注意：这里的mode主要是对于Loss计算的选择，对于YOLOv3、YOLOv4、YOLOv5、YOLOR以及YOLOv5-Lite直接设置mode=yolo即可，对于YOLOX以及YOLOX-Lite则设置mode=yolox，对于YOLOv6和YOLOv7则分别设置mode=yolov6和mode=yolov7；

注意由于YOLOv7使用了Aux分支，因此在设置YOLOv7时有一个额外的参数需要配置，即use_aux=True。

具体训练指令如下：

pythontrain.py--modeyolov6--datacoco.yaml--cfgyolov6.yaml--weightsyolov6.pt--batch-size32

检测指令如下：

pythondetect.py--source0#webcam
file.jpg#image
file.mp4#video
path/#directory
path/*.jpg#glob
'https://youtu.be/NUsoVlDFqZg'#YouTube
'rtsp://example.com/media.mp4'#RTSP,RTMP,HTTPstream