基于场景的数据集究竟对深度学习落地有何影响（明厨亮灶，智慧工地，平安校园，电力，智慧交通），以yolox 训练检测为例

为了和各位开发爱好者深入合作交流，特此准备分批次开放数据集拱大家交流学士研究使用，整理的非常细腻，有些是专业队伍标注的，主要是菲律宾那边的团队进行标注的。依据众多算法搭建的算法平台主体算法包括   人脸识别，人脸检测，区域入侵报警，人数统计，聚集检测，厨师帽，口罩，抽烟，打手机，老鼠，火苗，睡岗，跳楼检测，打架检测，持刀检测等等。所有算法框架采用的yolo框架，前后端打通，最主要的算法都做了后处理，很多算法基本没有任何误报，还可以支持定时任务，选择运行时段

一.智慧工地

数据集，质量很高，数量很大，场景很全，整理很细腻,可以拱广大爱好者很好的研究学习。技术上采取了后处理的措施，使之不会反复上传，不仅包括检测还有deepsort跟踪，不会频繁反复上报，加上图像学逻辑后处理过程

yolox简介

优点1：主干网络（CSPDarknet）加入Fcous结构
主干网络加入Fcous结构，将图片宽高信息缩小，减小参数量，提升网络计算速度

Fcous结构:将输入的图片先经过Fcos结构对图片进行每隔一个像素取出一个值，得到四个特征层，然后再进行concat。从而图片宽高的信息缩小，通道数增加。在原始信息丢失较少的情况下，减小了参数量（由于fcous替代了两层卷积与一层bottleneck）

图 1 Fcous示意

优点2：主干网络的激活函数替换为silu激活函数
silu函数相比于rule非线性能力更强，解决了rule当有负数输入输出为0，发生梯度弥散的缺点。同时继承了relu收敛更快的优点。

silu函数=x*sigmoid(x)，是relu与sigmoid的结合。可以看做是一个平滑的Relu，对比来看，silu解决了relu具有负数输入输出为0的缺点，不会发生梯度弥散的问题。

（上层神经元通过加权求和，得到输出值，然后被作用一个激活函数，得到下一层的输入值。引入激活函数的目的是为了增加神经网络的非线性拟合能力。）

(被fcous处理后的feature map会被用silu激活函数的，残差卷积层进行卷积，卷积后进入

CSPLayer。)