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：

• https://www.bilibili.com/video/BV17b4y1m7xy/

• https://www.bilibili.com/video/BV1vU4y1j7Ms/

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。

YOLOR论文地址：https://arxiv.org/pdf/2105.04206.pdf

YOLObile论文地址：https://arxiv.org/pdf/2009.05697.pdf

Yolov4论文地址：https://arxiv.org/pdf/2004.10934.pdf

Tiny YOLOv3代码地址：https://github.com/yjh0410/yolov2-yolov3_PyTorch

YoloV2（Yolo9000）论文地址：https://arxiv.org/pdf/1612.08242.pdf

YoloV1论文地址：https://arxiv.org/pdf/1506.02640.pdf

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。

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。

02:27

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”。

• Yolov3：https://github.com/eriklindernoren/PyTorch-YOLOv3

• Yolov5：https://github.com/ultralytics/yolov5

• Yolox：https://github.com/Megvii-BaseDetection/YOLOX

• Yolo-fastest：https://github.com/dog-qiuqiu/Yolo-FastestV2

感谢以上开源项目以及作者，感谢带来了这么好的yolo项目。

• 下载源码

git clone https://github.com/DL-Practise/YoloAll

• 安装依赖

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

• 下载预训练模型

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：

• https://pjreddie.com/media/files/yolov3.weights

下载完毕之后，将模型放在model_zoo/yolov3下面即可

Yolov5：

• https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt

• https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5m.pt

• https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5l.pt

• https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5x.pt

下载完毕之后，将模型放在model_zoo/yolov5下面即可

Yolox：

• https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth

• https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_m.pth

• https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_l.pth

• https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_x.pth

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：

• 扩展模型

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。

整理不易，点赞鼓励一下吧↓