我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

YOLOX

2022-04-11 yolox:ubuntu18.04-cuda10.2-cudnn7-python3.7-pytorch1.7.0

模型标签
目标检测智慧交通/自动驾驶安防监控

模型简介

YOLOX模型于2021年由开发者Zheng Ge,Songtao Liu,Feng Wang,Zeming Li,Jian Sun在《YOLOX: Exceeding YOLO Series in 2021》首次提出。 YOLOX对YOLO系列的进行一些改进,形成了一种新的高性能探测器。配备了一些新的先进检测技术,即解耦头、无锚点和先进的标签分配策略,YOLOX在速度和精度之间实现了更好的平衡,比所有型号尺寸的其他同类产品都好。值得注意的是,我们将YOLOv3的体系结构提高到了47.3%,超过了目前最佳实践的3.0%。官方论文:https://arxiv.org/pdf/2107.08430v2.pdf



1 使用方法

1.1. 预训练权重推断

可以使用/root/YOLOX/tools/demo.py文件进行推断。

在终端中,在目录/root/YOLOX下,输入:

python tools/demo.py image -n yolox-s -c /modelsets/YOLOX/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]
参数 说明
-n 模型名称
-c 权重

1.2. 准备数据集

准备COCO数据集:

cd /root/YOLOX
ln -s /datasets/coco2017 ./datasets/COCO # 将平台数据集软链接至模型文件夹下

1.3. 模型训练

python tools/train.py -n yolox-s -d 1 -b 8 --fp16 -o
参数 说明
-n 模型名称
-d 使用的GPU数量
-b GPU数量
-fp16 使用mix precision training
-o 先占用GPU内存训练
  • 提示1: 在/root/YOLOX/yolox/exp/yolox_ base.py文件中,原本设定的max _epoch是300,可以在此修改训练的epoch数。
  • 提示2: root/YOLOX/yolox/data/datasets/coco.py文件中,在初始化函数def __init__中可以修改json_ file的值来修改使用的标注文件。默认使用instances _train2017.json。
  • 提示3: 准备COCO数据集中,本示例中使用平台提供的数据集coco2017,故将/path/to/your/COCO修改为/datasets/coco2017。 若有需要可以自定义修改。

1.4. 模型测试

python tools/demo.py video -n yolox-s -c /root/YOLOX/yolox_s.pth --path assets/video1.mp4 --conf 0.3 --nms 0.65 --tsize 640 --save_result
参数 说明
-n 模型名称
-c 权重

2 模型来源

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