YOLO 目标检测项目集合

本仓库包含多个 YOLO 系列目标检测模型的源码和工具，涵盖 YOLOv3、YOLOv5、YOLOv6、YOLOv7、YOLOv8 以及 YOLOX 等主流版本。

---

📁 项目结构

YOLO_RAW/
├── README.md                 # 本文件
├── draw_pic.py               # 绘制 PR/F1/P/R 曲线工具
├── draw_result.py            # 检测结果可视化工具
├── data/                     # 数据集（⚠️ 未包含在 Git 中）
│   ├── images/               # 训练图像
│   ├── labels/               # YOLO 格式标签
│   └── ImageSets/            # 训练/验证集划分
├── eva_img/                  # 训练结果可视化图像
│   ├── pr.png                # PR 曲线
│   ├── F1.png                # F1 分数曲线
│   ├── mAP50.png             # mAP@50 曲线
│   ├── mAP50-95.png          # mAP@50-95 曲线
│   └── loss.png              # 损失函数曲线
├── ultralytics-main/         # YOLOv8 (Ultralytics 官方版本)
├── yolov3-9.6.0/             # YOLOv3 (v9.6.0)
├── yolov5-7.0/               # YOLOv5 (v7.0 官方版本)
├── yolox/                    # YOLOX (0.3.0)
├── yolov6/                   # YOLOv6 (0.4.1)
├── yolov7-main/              # YOLOv7 (官方版本)
└── yolov7-ours/              # YOLOv7 (改进版本) ⭐

---

🚀 各版本简介

1. YOLOv8 (ultralytics-main)

最新版本，功能最全面

• 特性: 支持检测、分割、分类、姿态估计
• 框架: PyTorch + Ultralytics
• 优势: 易用性强，API 简洁，支持多种导出格式
• 文档: https://docs.ultralytics.com/

快速开始:

cd ultralytics-main
pip install -r requirements.txt
pip install ultralytics

# 使用 Python API
from ultralytics import YOLO
model = YOLO("yolov8n.pt")
model.train(data="coco128.yaml", epochs=3)

2. YOLOv5 (yolov5-7.0)

最成熟的版本，生产环境首选

• 版本: v7.0 (支持分割)
• 特性: 稳定、文档齐全、社区活跃
• 优势: 部署方案成熟，支持多种后端
• 权重: 自动下载或从 releases 获取

快速开始:

cd yolov5-7.0
pip install -r requirements.txt

# 训练
python train.py --data coco128.yaml --weights yolov5s.pt --epochs 100

# 检测
python detect.py --weights yolov5s.pt --source 0

3. YOLOv7 (yolov7-main)

精度和速度平衡

• 论文: YOLOv7: Trainable bag-of-freebies
• 优势: 在 5FPS-160FPS 范围内 SOTA
• AP: 51.4% (YOLOv7), 53.1% (YOLOv7-X)

性能对比:

Model	Size	APtest	FPS
YOLOv7	640	51.4%	161
YOLOv7-X	640	53.1%	114
YOLOv7-W6	1280	54.9%	84

4. YOLOv7 改进版 (yolov7-ours) ⭐

本项目的改进版本

• 基于官方 YOLOv7 改进
• 包含自定义修改和优化
• 训练结果保存在 runs/ 目录

与官方版本对比:

# 使用 draw_pic.py 对比性能
python ../draw_pic.py

5. YOLOv3 (yolov3-9.6.0)

经典版本，适合学习

• 版本: v9.6.0
• 特点: 结构简单，适合入门学习
• 用途: 教学、baseline 对比

6. YOLOX (yolox)

anchor-free，工程化部署友好

• 版本: 0.3.0
• 特点: anchor-free 设计、解耦检测头、SimOTA 标签分配
• 部署: 支持 NCNN / ONNX / TensorRT / OpenVINO 等

7. YOLOv6 (yolov6)

工业级，训练推理高效

• 版本: 0.4.1
• 特点: 面向工业应用，速度快，支持量化与多后端部署
• 部署: 支持 NCNN / TensorRT / ONNX 等

---

📊 训练结果

训练结果可视化图像保存在 eva_img/ 目录：

图像	说明
pr.png	Precision-Recall 曲线
F1.png	F1 分数曲线
mAP50.png	mAP@0.5 曲线
mAP50-95.png	mAP@0.5:0.95 曲线
P.png	Precision 曲线
R.png	Recall 曲线
loss.png	训练损失曲线

---

🛠️ 工具脚本

draw_pic.py

绘制 YOLOv7 官方版本与改进版本的性能对比图：

python draw_pic.py

生成图像：

• pr.png - PR 曲线对比
• F1.png - F1 曲线对比
• P.png - Precision 曲线对比
• R.png - Recall 曲线对比

draw_result.py

检测结果可视化工具（具体功能见源码）。

---

📦 环境配置

通用依赖

# Python >= 3.8
# PyTorch >= 1.8
# CUDA 11.0+ (推荐 GPU 训练)

各版本依赖

YOLOv8:

cd ultralytics-main
pip install ultralytics

YOLOv5:

cd yolov5-7.0
pip install -r requirements.txt

YOLOv7:

cd yolov7-main
pip install -r requirements.txt

---

📚 数据集说明

⚠️ 重要提示

本仓库不包含数据集文件，因为数据集体积过大（通常数十 GB）。

数据集位置

训练数据位于 data/ 目录：

data/
├── images/          # 训练图像
├── labels/          # YOLO 格式标签 (.txt)
└── ImageSets/       # 训练集/验证集划分

准备数据集

1. 使用公开数据集:

   • COCO: https://cocodataset.org/
   • VOC: http://host.robots.ox.ac.uk/pascal/VOC/
   • 自定义数据集需转换为 YOLO 格式

2. YOLO 格式标签:

   <object-class> <x_center> <y_center> <width> <height>
   

   • 坐标归一化到 [0, 1]
   • 每个图像对应一个 .txt 文件

3. 数据集配置文件: 修改各项目 data/ 目录下的 .yaml 文件，指定：

   train: /path/to/data/images/train
   val: /path/to/data/images/val
   nc: 80  # 类别数
   names: ['class1', 'class2', ...]

---

🔬 改进版 YOLOv7 (yolov7-ours)

改进内容

（在此处描述你的具体改进，例如：）

• 修改了 backbone 结构
• 优化了损失函数
• 添加了注意力机制
• 改进了数据增强策略

训练配置

cd yolov7-ours

# 单 GPU 训练
python train.py --data data/custom.yaml --weights yolov7.pt --epochs 300 --batch-size 16 --img 640

# 多 GPU DDP 训练
python -m torch.distributed.run --nproc_per_node 4 --master_port 9527 train.py --weights yolov7.pt --data data/custom.yaml --batch-size 64

性能对比

Model	mAP@50	mAP@50-95	FPS
YOLOv7 (官方)	XX.X%	XX.X%	XXX
YOLOv7 (ours)	XX.X%	XX.X%	XXX

---

📝 使用指南

1. 快速体验

# 使用 YOLOv8（最简单）
cd ultralytics-main
pip install ultralytics

python -c "from ultralytics import YOLO; m = YOLO('yolov8n.pt'); m.predict(source='https://ultralytics.com/images/bus.jpg')"

2. 训练自定义数据集

# 1. 准备数据（YOLO 格式）
# 2. 修改 data/custom.yaml
# 3. 开始训练
cd yolov5-7.0
python train.py --data data/custom.yaml --weights yolov5s.pt --epochs 100

3. 模型导出

# YOLOv5 导出 ONNX
python export.py --weights yolov5s.pt --include onnx

# YOLOv8 导出多种格式
yolo export model=yolov8n.pt format=onnx

---

🎓 学习资源

• YOLOv8 文档: https://docs.ultralytics.com/
• YOLOv5 文档: https://github.com/ultralytics/yolov5
• YOLOv7 论文: https://arxiv.org/abs/2207.02696
• Papers With Code: https://paperswithcode.com/sota/real-time-object-detection-on-coco

---

🤝 贡献

欢迎提交 Issue 和 Pull Request！

---

📄 许可证

• ultralytics-main: AGPL-3.0 / 商业许可
• yolov5-7.0: AGPL-3.0 / 商业许可
• yolox: Apache-2.0
• yolov6: GPL-3.0
• yolov7-main: GPL-3.0
• yolov7-ours: （根据你的需求选择）

---

📧 联系方式

• GitHub: @cslht11
• Email: heitieya@163.com

---

如果这个项目对你有帮助，请给一个 ⭐ Star！