YOLOX
YOLOX 0.3.0
YoloxはYoloのアンカーフリーバージョンで、シンプルなデザインですが、パフォーマンスが向上します。研究と産業コミュニティの間のギャップを埋めることを目指しています。詳細については、arxivに関するレポートを参照してください。
このレポは、PytorchバージョンのYoloxの実装であり、メゲンギンの実装もあります。
| モデル | サイズ | マップval 0.5：0.95 | マップテスト 0.5：0.95 | Speed V100 （MS） | パラメージ （m） | フロップ （g） | ウェイト |
|---|---|---|---|---|---|---|---|
| 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 |
| モデル | サイズ | マップテスト 0.5：0.95 | Speed V100 （MS） | パラメージ （m） | フロップ （g） | ウェイト |
|---|---|---|---|---|---|---|
| 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 |
| モデル | サイズ | マップval 0.5：0.95 | パラメージ （m） | フロップ （g） | ウェイト |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.8 | 0.91 | 1.08 | github |
| Yolox-Tiny | 416 | 32.8 | 5.06 | 6.45 | github |
| モデル | サイズ | マップval 0.5：0.95 | パラメージ （m） | フロップ （g） | ウェイト |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.3 | 0.91 | 1.08 | github |
| Yolox-Tiny | 416 | 32.8 | 5.06 | 6.45 | github |
ステップ1。ソースからYoloxをインストールします。
git clone [email protected]:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -v -e . # or python3 setup.py developステップ1。ベンチマークテーブルから事前に守られたモデルをダウンロードします。
ステップ2。 -nまたは-fのいずれかを使用して、検出器の構成を指定します。例えば：
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]または
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]ビデオのデモ：
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]ステップ1。 COCOデータセットを準備します
cd < YOLOX_HOME >
ln -s /path/to/your/COCO ./datasets/COCOステップ2。 -nを指定することにより、ココの結果を再現します。
python -m yolox.tools.train -n yolox-s -d 8 -b 64 --fp16 -o [--cache]
yolox-m
yolox-l
yolox-x-fを使用する場合、上記のコマンドは以下に相当します。
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.pyマルチマシントレーニング
また、マルチノードトレーニングもサポートしています。次の引数を追加するだけです。
2台のマシンでYoloxをトレーニングすると、マスターマシンのIPが123.123.123.123、ポート12312およびTCPを使用しているとします。
マスターマシンで、実行します
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 02番目のマシンで、実行します
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 1ウェイトとバイアスへのログ
メトリック、予測、およびモデルチェックポイントをW＆Bにログに記録するには、コマンドライン引数--logger wandbを使用し、接頭辞「WandB」を使用して、WandB実行を初期化するための引数を指定します。
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-xWandbダッシュボードの例はこちらから入手できます
その他
詳細については、次のコマンドをご覧ください。
python -m yolox.tools.train --help高速評価のためにバッチテストをサポートしています：
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-x速度テストを再現するには、次のコマンドを使用します。
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-xYoloxを調査で使用する場合は、次のBibtexエントリを使用して、私たちの作品を引用してください。
@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}
}Jian Sun博士の指導がなければ、Yoloxはリリースされず、コミュニティに供給されていたでしょう。サン博士の亡くなることは、コンピュータービジョンフィールドにとって大きな損失です。ここにこのセクションを追加して、キャプテンサン博士に記憶と哀dolの意を表します。世界のすべてのAI開業医が、「認知境界を拡大するための継続的な革新、および製品価値を達成するための並外れた技術」の信念に固執し、ずっと前進することが期待されています。
