1. 代码获取

https://github.com/Le0v1n/ml_code/tree/main/ObjectDetection/YOLOX

如果代码对你有用，请star一下❤️

2. 预测

2.1 图片预测

1. 下载权值文件：https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth
2. 将权值文件放在weights目录下
3. 运行以下命令

python tools/demo.py image -n yolox-s -c ./weights/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu

之后可以得到图片的结果。

2.2 视频预测

执行的命令进行更改：

python tools/demo.py webcam -n yolox-s -c ./weights/yolox_s.pth --conf 0.25 --nms 0.45 --tsize 640 --device gpu

3. 模型训练 —— 以口罩检测数据集为例

3.1 数据集下载

https://www.kaggle.com/datasets/andrewmvd/face-mask-detection

3.2 数据集处理

1. 将标签文件夹名改为Annotations
2. 将图片存放文件夹改名为JPEGImages
3. 创建文件夹VOCdevkit/VOC2012
4. 将口罩数据集放到创建的VOC2012文件夹中
5. 运行get_trainval_test_txt.py文件夹

└─VOCdevkit├─VOC2012├─Annotations├─ImageSets│  └─Main└─JPEGImages

3.3 修改参数（Epoch、WarmUp、Eval_Epoch…）

在yolox\yolox\exp\yolox_base.py文件中修改！

4. 实验结果

训练命令：

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -b 8 --fp16 -expn maskdataset_pretrained -c weights/yolox_s.pth

其中：

• -f: 实验配置文件
• -b: Batch Size
• --fp16: 是否使用AMP
• -expn: 本次训练的名称
• -c: ckpt路径

• 网络：YOLOX-s
• Batch Size：8
• Epoch：100
• basic_lr_per_img：0.00015625
• num_classes: 3
• warmup_epoch: 0
• min_lr_ratio: 0.05
• scheduler: yoloxwarmcos -> Cosine
• EMA: True
• no_aug_epochs: 15
• weight_decay: 0.0005
• momentum: 0.9
• eval_interval: 1
• depth: 0.33
• act: SILU
• num_workers: 4
• input_size: (640, 640)
• test_size: (640, 640)
• test_conf: 0.01
• nms_threash: 0.65
• mosaic_prob: 1.0
• mixup_prob: 1.0
• flip_prob: 0.5

4.1 从头开始训练

很明显模型并没有拟合，不想跑了😂

4.2 迁移学习

• map_5095: 0.6153292356822907
• map_50: 0.8694843116680683

可以看到，添加预训练模型后，模型收敛的确快！

4.3 添加SE注意力机制后

将yolox\yolox\models\network_blocks.py中的attention改为True即可开启SE注意力，如下：

        module_list = [Bottleneck(hidden_channels, hidden_channels, shortcut, 1.0, depthwise, act=act, attention=True)for _ in range(n)]

• map_5095: 0.536522477369094
• map_50: 0.8082459511249596

由于100个Epoch使得模型欠拟合，所以添加了SE注意力只能有微小的提升，结果证明并不充分，有条件的可以多训练几次。

5. 总结

1. YOLOX训练速度的确很慢，原因可能是使用了大量的数据增强方式
2. YOLOX的backbone和YOLO v5是一样的，因此修改起来比较容易
3. YOLOX提供了NANO和Tiny规格的模型，因此更有利于模型的部署
4. YOLOX提供了很多部署方法，如TensorRT