本仓库主要实现YOLO目标检测算法，欢迎参与到本仓库的建设或者提issue。本仓库有两个分支，一个分支为main，主要是基于Tensorflow实现yolo算法，另一个分支是pytorch，主要是基于pytorch实现yolo算法。main分支当前算法实现基本情况如下：
| 算法 | 实现框架 | 备注 |
|---|---|---|
| YOLOV4 | Tensorflow-2.4 | 已实现，并通过测试 |
| YOLOV5 | Tensorflow-2.4 | 已实现，并经过测试 |
| YOLOV5-v6.1 | Tensorflow-2.4 | 已实现，并通过测试 |
| YOLOX | Tensorflow-2.4 | 已实现，并通过测试 |
| YOLOV7 | Tensorflow-2.4 | 已实现，并通过测试 |
本仓库主要是算法的训练和算法的验证，后续的工程化应用部署可以参考另一个仓库：Deployment。部署仓库包括模型的量化与压缩、python或者C++的部署代码以及OpenCV和TensorRT等推理，喜欢或者对您有用的话可以给个:star:或者一起参与建设仓库:hand:。
+---cfg: 存放配置文件。
|---components： CNN组件，如batch_renorm、注意力机制
|---tools:存放工具：包括生成训练文档、类别统计等。
|---tracking：目标跟踪Deepsort算法
|---doc：存放YOLO资料文档，包括backbone、后处理等算法文档
|---evaluate：存放模型评估方法
|---font：字体
|---logs：存放训练日志的文档
|---model：存放模型和权重
| +---yolo4_voc_weights.h5：VOC预训练权重
| \---yolo4_weight.h5：COCO预训练权重
|---result：推理结果保存的文件夹
|---video：视频保存文件夹
|---yolov4：yolov4算法实现
|---yolov5：yolov5算法实现
|---yolov7：yolov7算法实现
|---yolox：yolox算法实现
\---datasets：数据集，以VOC数据集格式
+---Annotations：数据集标注
+---ImageSets
| \---Main：划分训练集、测试集、验证集的txt文档
\---JPEGImages：图像可按照VOC格式的数据集进行制作，主要的文件结构如下所示：
+---Annotation： 数据标注,xml格式
|---ImageSets：划分数据集
| +---Main：存放txt位置
|---JPEGSImages:存放图像
|---labels.names：类别标签文档
当然也可以根据实际情况自定义自己的数据集结构，训练的时候只需要修改路径即可。另外在tools文件夹下有一些关于数据集脚本：
splitDataset.py：划分数据集，即产生ImageSets/Main下的txt文档voc_annotation.py：生成输入到网络的文档格式，如下所示：
your/dataset/root/path/JPEGImages/wc_102.jpg 261,607,341,778,0
your/dataset/root/path/camera_20210817154550.jpg 94,149,165,251,11 22,164,97,249,11
your/dataset/root/path/pavilion_20210812155531.jpg 111,2,458,337,10
注意两者之前生成顺序：先划分数据集，生成ImageSets/Main下的txt文档，然后根据ImageSets/Main下的txt文档生成适用于文档格式的数据集。
在模型开始训练之前，先在cfg文档下找到对应的算法配置文件进行修改，修改内容包括数据集路径、训练参数参数等。在配置文件修改完相关配置后，可在每个算法文件下的含有train命名的文件进一步检查其他训练参数，如yolov5下的train_yolov5.py文件里设置的训练参数。
当检查所有参数都没有错误后，可执行训练：
python train.py --model YOLOV5参数说明：
- model：表示训练的算法，如
YOLOV5、YOLOX等。
模型推理查看predict.py。参数说明：
- yolo：选择推理算法，如
YOLOV5、YOLOV5V61等算法。 - show：在进行文件夹推理的时候是否展示图像，此处不建议。
- save：是否保存推理结果。
- save_dir：保存推理结果的文件夹位置
- model：具体算法模型，可以是算法的权重、ONNX模型。
- source：待检测的对象，可以是单张图像，也可以是文件夹
推理的示范：
# directory inference
python predict.py --yolo yolox --model /your/model/path/voc.h5 --source ./samples/# image inference
python ./predict.py --yolo YOLOV7-TINY --source ./samples/test.jpg --model ./model/VOC2007_yolov7_tiny_2022_10_28.h5 --save- 统计测试集的ground_True
python ./evaluate/get_gt_txt.py --testset ./VOC2017/ImageSets/Main/test.txt --annotation ./VOC2007/Annotations/ --gt_folder ./result/gt_folder参数说明：
- testset：划分测试数据集保存的
txt文档 - annotation：标注文件保存的文件夹
- gt_folder：保存文件夹路径
- 计算模型推理测试集的结果
python ./evaluate/get_dr_txt.py --testset ./VOC2007/ImageSets/Main/test.txt --pr_folder ./result/pr_folder --minoverlap 0.5 --model_path ./model/voc_yolox.h5 --image_path ./VOC2007/JPEGImages/ --model YOLOX参数说明：
- testset：划分测试数据集保存的
txt文档 - pr_folder：推理结果保存的文件夹，保存文件格式：
txt。 - model_path：推理模型的权重
- image_path：图像路径
- model：使用的算法模型
- 计算map的性能指标
python ./evaluate/get_map.py --GT_PATH ./result/evaluate --DR_PATH ./result/pr_folder/ --IMG_PATH ./VOC2007/JPEGImages/ --MINOVERLAP 0.5参数说明：
- GT_PATH：脚本
get_gt_txt.py生成文件的保存路径 - DR_PATH：脚本
get_dr_txt.py生成文件的保存路径 - IMG_PATH：测试集图像的路径
- MINOVERLAP：map@**的值
在predict.py使用dir参数进行推理即可获取模型推理的fps。
FLOPs：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。FLOPS：注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。
在生产环境中需要进行模型转换，此处主要是将模型转换成ONNX格式模型。后续如果需要再转换成其他格式的模型，如TensorRT、TFLite等都可通过ONNX转换成对应的格式的模型。模型转换成ONNX的性能，如精确度、速度等是否与原模型存在差异，在此没有做相应的测试:dizzy_face:，感兴趣的可以自行测评一下模型性能差异。
模型导出脚本：export.py，相关参数说明如下：
- model：模型的权重路径
- saved_pb：是否保存
pb格式模型，带上这个参数后需要指定saved_pb_dir参数，表示模型保存的路径。 - saved_pb_dir：保存
pb模型的路径。 - yolo：选择需要导出的YOLO算法。
- save_onnx：ONNX模型保存的路径。
- opset：ONNX的算子类型，默认12
注意：使用权重模型的时候要在cfg目录下对应的配置文件中核实类别文件和anchor文件是否配置正确。另外后续需要导出成TensorRT的Engine模型或者Openvino的模型可以自行定义。当前的参数已经足以使用，后续假设㓟更多参数需求会持续更新优化。
使用例子：
python ./export.py --model ./model/VOC.h5 --yolo yolox --save_onnx 'voc_yolox_l_13_640_v1.onnx' 更多的ONNX推理和算法部署可参考：Deployment。
更多算法的内容可以参考doc文件下的文档。