YOLOX
YOLOX 0.3.0
Yolox เป็น Yolo เวอร์ชันที่ปราศจากสมอพร้อมการออกแบบที่ง่ายกว่า แต่ประสิทธิภาพที่ดีกว่า! มันมีจุดมุ่งหมายเพื่อเชื่อมช่องว่างระหว่างการวิจัยและชุมชนอุตสาหกรรม สำหรับรายละเอียดเพิ่มเติมโปรดดูรายงานของเราเกี่ยวกับ Arxiv
repo นี้เป็นการดำเนินการของรุ่น Pytorch Yolox นอกจากนี้ยังมีการใช้งาน megengine
| แบบอย่าง | ขนาด | แผนที่ Val 0.5: 0.95 | การทดสอบ แผนที่ 0.5: 0.95 | ความเร็ว V100 (MS) | พารามิเตอร์ (M) | ความกระฉับกระเฉง (g) | น้ำหนัก |
|---|---|---|---|---|---|---|---|
| YOLOX-S | 640 | 40.5 | 40.5 | 9.8 | 9.0 | 26.8 | คนอื่น ๆ |
| YOLOX-M | 640 | 46.9 | 47.2 | 12.3 | 25.3 | 73.8 | คนอื่น ๆ |
| YOLOX-L | 640 | 49.7 | 50.1 | 14.5 | 54.2 | 155.6 | คนอื่น ๆ |
| YOLOX-X | 640 | 51.1 | 51.5 | 17.3 | 99.1 | 281.9 | คนอื่น ๆ |
| Yolox-Darknet53 | 640 | 47.7 | 48.0 | 11.1 | 63.7 | 185.3 | คนอื่น ๆ |
| แบบอย่าง | ขนาด | การทดสอบ แผนที่ 0.5: 0.95 | ความเร็ว V100 (MS) | พารามิเตอร์ (M) | ความกระฉับกระเฉง (g) | น้ำหนัก |
|---|---|---|---|---|---|---|
| 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 |
| แบบอย่าง | ขนาด | แผนที่ Val 0.5: 0.95 | พารามิเตอร์ (M) | ความกระฉับกระเฉง (g) | น้ำหนัก |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.8 | 0.91 | 1.08 | คนอื่น ๆ |
| โยล็อกซ์ไทน | 416 | 32.8 | 5.06 | 6.45 | คนอื่น ๆ |
| แบบอย่าง | ขนาด | แผนที่ Val 0.5: 0.95 | พารามิเตอร์ (M) | ความกระฉับกระเฉง (g) | น้ำหนัก |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.3 | 0.91 | 1.08 | คนอื่น ๆ |
| โยล็อกซ์ไทน | 416 | 32.8 | 5.06 | 6.45 | คนอื่น ๆ |
ขั้นตอนที่ 1. ติดตั้ง YOLOX จากแหล่งที่มา
git clone [email protected]:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -v -e . # or python3 setup.py developขั้นตอนที่ 1. ดาวน์โหลดโมเดล Pretrained จากตารางเบนช์มาร์ก
ขั้นตอนที่ 2. ใช้ทั้ง -N หรือ -F เพื่อระบุการกำหนดค่าของเครื่องตรวจจับของคุณ ตัวอย่างเช่น:
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]หรือ
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]ตัวอย่างสำหรับวิดีโอ:
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]ขั้นตอนที่ 1. เตรียมชุดข้อมูล Coco
cd < YOLOX_HOME >
ln -s /path/to/your/COCO ./datasets/COCOขั้นตอนที่ 2. ทำซ้ำผลลัพธ์ของเราเกี่ยวกับ Coco โดยระบุ -n:
python -m yolox.tools.train -n yolox-s -d 8 -b 64 --fp16 -o [--cache]
yolox-m
yolox-l
yolox-xเมื่อใช้ -F คำสั่งข้างต้นจะเทียบเท่ากับ:
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.pyการฝึกอบรมหลายเครื่อง
นอกจากนี้เรายังสนับสนุนการฝึกอบรมหลาย Nodes เพียงเพิ่ม args ต่อไปนี้:
สมมติว่าคุณต้องการฝึก Yolox บนเครื่อง 2 เครื่องและ IP ของเครื่องจักรหลักของคุณคือ 123.123.123.123 ใช้พอร์ต 12312 และ TCP
บนเครื่องจักรหลักวิ่ง
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 0บนเครื่องที่สองเรียกใช้
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 1การเข้าสู่ระบบน้ำหนักและอคติ
ในการบันทึกตัวชี้วัดการทำนายและจุดตรวจของแบบจำลองไปยัง W & B ใช้อาร์กิวเมนต์บรรทัดคำสั่ง --logger wandb และใช้คำนำหน้า "Wandb-" เพื่อระบุอาร์กิวเมนต์สำหรับการเริ่มต้นการทำงานของ Wandb
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-xตัวอย่างแดชบอร์ด Wandb มีอยู่ที่นี่
คนอื่น
ดูข้อมูลเพิ่มเติมด้วยคำสั่งต่อไปนี้:
python -m yolox.tools.train --helpเราสนับสนุนการทดสอบแบทช์สำหรับการประเมินอย่างรวดเร็ว:
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-xในการทำซ้ำการทดสอบความเร็วเราใช้คำสั่งต่อไปนี้:
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-xหากคุณใช้ YOLOX ในการวิจัยของคุณโปรดอ้างอิงงานของเราโดยใช้รายการ BIBTEX ต่อไปนี้:
@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}
}หากไม่มีคำแนะนำของดร. เจียนซุนโยล็อกซ์จะไม่ได้รับการปล่อยตัวและเปิดแหล่งที่มาให้กับชุมชน การเสียชีวิตของดร. ซันเป็นการสูญเสียครั้งใหญ่ไปยังสนามวิสัยทัศน์คอมพิวเตอร์ เราเพิ่มส่วนนี้ที่นี่เพื่อแสดงความทรงจำและแสดงความเสียใจต่อกัปตันดร. ซุนของเรา หวังว่าผู้ปฏิบัติงาน AI ทุกคนในโลกจะยึดติดกับความเชื่อของ "นวัตกรรมต่อเนื่องเพื่อขยายขอบเขตความรู้ความเข้าใจและเทคโนโลยีพิเศษเพื่อให้ได้คุณค่าของผลิตภัณฑ์" และก้าวไปข้างหน้าตลอดทาง
