YOLOX
YOLOX 0.3.0
Yolox是Yolo的無錨版版本，設計更簡單，但性能更好！它旨在彌合研究與工業社區之間的差距。有關更多詳細信息，請參閱我們關於ARXIV的報告。
此存儲庫是Pytorch版本Yolox的實現，還有一個Megengine實現。
| 模型 | 尺寸 | 地圖閥 0.5：0.95 | 地圖測試 0.5：0.95 | 速度V100 （多發性硬化症） | 參數 （M） | 拖鞋 （g） | 權重 |
|---|---|---|---|---|---|---|---|
| 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 |
| 模型 | 尺寸 | 地圖測試 0.5：0.95 | 速度V100 （多發性硬化症） | 參數 （M） | 拖鞋 （g） | 權重 |
|---|---|---|---|---|---|---|
| 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 |
| 模型 | 尺寸 | 地圖閥 0.5：0.95 | 參數 （M） | 拖鞋 （g） | 權重 |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.8 | 0.91 | 1.08 | github |
| yolox微小 | 416 | 32.8 | 5.06 | 6.45 | github |
| 模型 | 尺寸 | 地圖閥 0.5：0.95 | 參數 （M） | 拖鞋 （g） | 權重 |
|---|---|---|---|---|---|
| Yolox-Nano | 416 | 25.3 | 0.91 | 1.08 | github |
| yolox微小 | 416 | 32.8 | 5.06 | 6.45 | github |
步驟1。從源安裝Yolox。
git clone [email protected]:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -v -e . # or python3 setup.py develop步驟1。從基準表下載驗證的型號。
步驟2。使用-n或-f指定檢測器的配置。例如：
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]或者
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]視頻演示：
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]步驟1。準備可可數據集
cd < YOLOX_HOME >
ln -s /path/to/your/COCO ./datasets/COCO步驟2。通過指定-n：在可可上重現我們的結果：
python -m yolox.tools.train -n yolox-s -d 8 -b 64 --fp16 -o [--cache]
yolox-m
yolox-l
yolox-x使用-f時，以上命令等效於：
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多機器訓練
我們還支持多節點培訓。只需添加以下args：
假設您想在兩台機器上訓練Yolox，並且主機的IP為123.123.123.123，使用端口12312和TCP。
在主機上，運行
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 0在第二台機器上，運行
python tools/train.py -n yolox-s -b 128 --dist-url tcp://123.123.123.123:12312 --num_machines 2 --machine_rank 1登錄重量和偏見
為了記錄指標，預測和模型檢查點以使用W＆B使用命令行參數--logger wandb ，並使用前綴“ wandb-”來指定參數以初始化wandb運行。
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-x一個示例Wandb儀表板在這裡可用
其他的
使用以下命令查看更多信息：
python -m yolox.tools.train --help我們支持批次測試以進行快速評估：
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要重現速度測試，我們使用以下命令：
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-x如果您在研究中使用Yolox，請使用以下Bibtex條目引用我們的工作：
@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}
}沒有簡·孫博士的指導，Yolox將不會被釋放並開放給社區。太陽博士的逝世是計算機視野領域的巨大損失。我們在此處添加了本節，以向我們的上尉Sun博士表示紀念和慰問。希望世界上的每個AI從業者都會堅持“不斷創新，以擴大認知界限，以及非凡的技術以實現產品價值”，並一直向前邁進。
