YOLOAir：面向小白的目标检测库，更快更方便更完整的YOLO库，YOLOAir 算法库 是一个基于 PyTorch 的一系列 YOLO 检测算法组合工具箱。统一模型代码框架、统一应用、统一改进、易于模块组合、构建更强大的网络模型。

模型多样化：基于不同网络模块构建不同检测网络模型。

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，助力科研改进检测算法、模型改进，网络排列组合，构建强大的网络模型。

统一模型代码框架、统一应用方式、统一调参、统一改进、易于模块组合、构建更强大的网络模型：内置YOLOv5、YOLOv7、YOLOX、YOLOR、Transformer、Scaled_YOLOv4、YOLOv3、YOLOv4、YOLO-Facev2、TPH-YOLO、YOLOv5Lite、SPD-YOLO、SlimNeck-YOLO、PicoDet等模型网络结构

基于 YOLOv5 代码框架，并同步适配稳定的YOLOv5_v6.1更新, 同步v6.1部署生态。使用这个项目之前, 您可以先了解YOLOv5库。

YOLOv5仓库：https://github.com/ultralytics/yolov5

YOLOAir项目地址: https://github.com/iscyy/yoloair

YOLOAir部分改进说明教程: https://github.com/iscyy/yoloair/wiki/Improved-tutorial-presentation

YOLOAir CSDN地址：https://blog.csdn.net/qq_38668236

主要特性

支持更多的YOLO系列算法模型改进

• 内置集成 YOLOv5 模型网络结构、YOLOv7 模型网络结构、 YOLOR 模型网络结构、YOLOX 模型网络结构、Scaled_YOLOv4 模型网络结构、YOLOv4 模型网络结构、YOLOv3 模型网络结构、YOLO-FaceV2模型网络结构、TPH-YOLOv5模型网络结构、SPD-YOLO模型网络结构、YOLOv5-Lite模型网络结构、PicoDet模型网络结构等
• 以上多种检测算法使用统一模型代码框架，集成在 YOLOAir 库中，统一任务形式、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。工程算法部署落地更便捷，包含轻量化模型和精度更高的模型，根据场景合理选择，在精度和速度俩个方面取得平衡。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。

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系列
• CNN 和 Transformer：BoTNet、CoTNet、Acmix等
• 自注意力机制：Transformer、Swin等

支持更多 Neck

• FPN
• PANet
• BiFPN等

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

• 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

更多多种金字塔池化结构

• SPP
• SPPF
• ASPP
• RFB
• SPPCSPC
• SPPFCSPC
• SimSPPF

支持更多损失函数计算方式

• ComputeLoss
• ComputeLoss(v5)
• ComputeLoss(X)
• ComputeLossAuxOTA(v7)
• ComputeLossOTA(v7)
• ComputeNWDLoss

内置多种网络模型模块化组件

Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, C3HB, C3RFEM, MultiSEAM, SEAM, C3STR, SPPCSPC, RepConv, BoT3, Air, CA, CBAM, Involution, Stem, ResCSPC, ResCSPB, ResXCSPB, ResXCSPC, BottleneckCSPB, BottleneckCSPC, ASPP, BasicRFB, SPPCSPC_group, HorBlock, CNeB,C3GC ,C3C2, nn.ConvTranspose2d, DWConvblock, RepVGGBlock, CoT3, ConvNextBlock, SPPCSP, BottleneckCSP2, DownC, BottleneckCSPF, RepVGGBlock, ReOrg, DWT, MobileOne, HorNet

支持更多IoU损失函数

• CIoU
• DIoU
• GIoU
• EIoU
• SIoU
• alpha IOU

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)

内置改进网络模型配置支持

YOLOAir 算法库汇总了多种主流 YOLO 系列检测模型的模块，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
• YOLOv5Lite 模型网络结构
• YOLO-FaceV2 模型网络结构
• PicoDet 模型网络结构

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。

彩蛋

本文对构建YOLOAir项目进行简单阐述，笔者以后会定期分享关于项目的其他模块和相关技术，笔者也建立了一个关于目标检测的交流群：781334731，大家也可扫描下面这张图片加入，欢迎大家踊跃加入，一起学习鸭！

笔者也建立一个微信公众号（Nuist计算机视觉与模式识别），大家可扫描下面图片关注，回复YOLOAir获取本文pdf，后续笔者也会在公众号分享YOLOAir使用说明与魔改消融实验，定量分析每个模块的作用，方便大家后续使用。

炼丹

笔者最近沉迷于炼丹，在网上发现两个宝藏炼丹平台，AutoDL和恒源智享云，这两个平台新人注册和学生认证都有福利，而且租用显卡支持按小时/天/月收费，大家感兴趣可以看看哦。目前AutoDL的TITAN Xp显卡学生认证后低至0.52元/.小时，RTX GeForce 2080Ti显卡学生认证后低至0.88元/小时。如果感兴趣的话，可以通过以下链接注册使用。

AutoDL：https://www.autodl.com/register?code=79aaeca7-b378-4b9d-90c3-99b2a8864596

恒源智享云：https://gpushare.com/auth/register?user=15*3693&fromId=3e7200b12c2a&source=link