YOLOX
YOLOX 0.3.0
Yolox ist eine ankerfreie Version von Yolo mit einem einfacheren Design, aber besserer Leistung! Ziel ist es, die Kluft zwischen Forschung und Industriegemeinschaften zu schließen. Weitere Informationen finden Sie in unserem Bericht über Arxiv.
Dieses Repo ist eine Implementierung von Pytorch -Version Yolox, es gibt auch eine Megengine -Implementierung.
| Modell | Größe | Karte val 0,5: 0,95 | Kartentest 0,5: 0,95 | Geschwindigkeit V100 (MS) | Parameter (M) | Flops (G) | Gewichte |
|---|---|---|---|---|---|---|---|
| Yolox-S | 640 | 40.5 | 40.5 | 9.8 | 9.0 | 26.8 | Github |
| Yolox-m | 640 | 46,9 | 47,2 | 12.3 | 25.3 | 73,8 | Github |
| Yolox-l | 640 | 49,7 | 50.1 | 14.5 | 54.2 | 155.6 | Github |
| Yolox-x | 640 | 51.1 | 51,5 | 17.3 | 99.1 | 281.9 | Github |
| Yolox-Darknet53 | 640 | 47,7 | 48.0 | 11.1 | 63.7 | 185.3 | Github |
| Modell | Größe | Kartentest 0,5: 0,95 | Geschwindigkeit V100 (MS) | Parameter (M) | Flops (G) | Gewichte |
|---|---|---|---|---|---|---|
| Yolox-S | 640 | 39.6 | 9.8 | 9.0 | 26.8 | OneDrive/Github |
| Yolox-m | 640 | 46,4 | 12.3 | 25.3 | 73,8 | OneDrive/Github |
| Yolox-l | 640 | 50.0 | 14.5 | 54.2 | 155.6 | OneDrive/Github |
| Yolox-x | 640 | 51.2 | 17.3 | 99.1 | 281.9 | OneDrive/Github |
| Yolox-Darknet53 | 640 | 47,4 | 11.1 | 63.7 | 185.3 | OneDrive/Github |
| Modell | Größe | Karte val 0,5: 0,95 | Parameter (M) | Flops (G) | Gewichte |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.8 | 0,91 | 1.08 | Github |
| Yolox-tiny | 416 | 32.8 | 5.06 | 6.45 | Github |
| Modell | Größe | Karte val 0,5: 0,95 | Parameter (M) | Flops (G) | Gewichte |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.3 | 0,91 | 1.08 | Github |
| Yolox-tiny | 416 | 32.8 | 5.06 | 6.45 | Github |
STEP1. Installieren Sie Yolox aus der Quelle.
git clone [email protected]:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -v -e . # or python3 setup.py developSTEP1. Laden Sie ein vorgezogenes Modell aus der Benchmark -Tabelle herunter.
STEP2. Verwenden Sie entweder -n oder -F, um die Konfiguration Ihres Detektors anzugeben. Zum Beispiel:
python tools/demo.py image -n yolox-s -c /path/to/your/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]oder
python tools/demo.py image -f exps/default/yolox_s.py -c /path/to/your/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]Demo für Video:
python tools/demo.py video -n yolox-s -c /path/to/your/yolox_s.pth --path /path/to/your/video --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]STEP1. Bereiten Sie den Coco -Datensatz vor
cd < YOLOX_HOME >
ln -s /path/to/your/COCO ./datasets/COCOSTEP2. Reproduzieren unsere Ergebnisse auf Coco, indem Sie -n angeben:
python -m yolox.tools.train -n yolox-s -d 8 -b 64 --fp16 -o [--cache]
yolox-m
yolox-l
yolox-xBei der Verwendung von -F entsprechen die obigen Befehle:
python -m yolox.tools.train -f exps/default/yolox_s.py -d 8 -b 64 --fp16 -o [--cache]
exps/default/yolox_m.py
exps/default/yolox_l.py
exps/default/yolox_x.pyMulti -Maschinen -Training
Wir unterstützen auch Multi-Nodes-Schulungen. Fügen Sie einfach die folgenden Argumente hinzu:
Angenommen, Sie möchten Yolox auf 2 Maschinen trainieren, und die IP Ihrer Master -Maschinen beträgt 123.123.123.123, verwenden Sie Port 12312 und TCP.
Auf Master -Maschine rennen
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 0Auf der zweiten Maschine laufen
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 1Anmelden bei Gewichten und Vorurteilen
Verwenden Sie Metriken, Vorhersagen und Modell-Checkpoints zum W & B-Verwenden des Befehlszeilenarguments --logger wandb und verwenden Sie das Präfix "Wandb-", um Argumente für die Initialisierung des Wandb-Laufs anzugeben.
python tools/train.py -n yolox-s -d 8 -b 64 --fp16 -o [--cache] --logger wandb wandb-project < project name >
yolox-m
yolox-l
yolox-xEin Beispiel für Wandb -Dashboard ist hier erhältlich
Andere
Weitere Informationen finden Sie im folgenden Befehl:
python -m yolox.tools.train --helpWir unterstützen Batch -Tests zur schnellen Bewertung:
python -m yolox.tools.eval -n yolox-s -c yolox_s.pth -b 64 -d 8 --conf 0.001 [--fp16] [--fuse]
yolox-m
yolox-l
yolox-xUm Geschwindigkeitstest zu reproduzieren, verwenden wir den folgenden Befehl:
python -m yolox.tools.eval -n yolox-s -c yolox_s.pth -b 1 -d 1 --conf 0.001 --fp16 --fuse
yolox-m
yolox-l
yolox-xWenn Sie Yolox in Ihren Forschungen verwenden, zitieren Sie unsere Arbeit mit dem folgenden Bibtex -Eintrag:
@article{yolox2021,
title={YOLOX: Exceeding YOLO Series in 2021},
author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
journal={arXiv preprint arXiv:2107.08430},
year={2021}
}Ohne die Anleitung von Dr. Jian Sun wäre Yolox nicht freigelassen und offen für die Gemeinde. Das Tod von Dr. Sun ist ein enormer Verlust des Computer -Vision -Feldes. Wir fügen diesen Abschnitt hier hinzu, um unserem Kapitän Dr. Sun unsere Erinnerung und unser Beileid auszusprechen. Es ist zu hoffen, dass jeder KI -Praktiker in der Welt an den Glauben an "kontinuierliche Innovationen zur Erweiterung der kognitiven Grenzen und der außergewöhnlichen Technologie, um den Produktwert zu erweitern" und den ganzen Weg voranzutreiben wird.
