YOLOX-COCO训练教程+权重使用

YOLOX-COCO训练教程+权重使用

0. 配置好你的YOLOX环境

如果不知道如何在windows下配置，请查看我的上一篇文章。

1. 准备好你的数据

• 根据YOLOX官方引导，已经提供了miniCOCO下载链接，存储在GoogleDrive上的。下载成功后解压，得到树状目录如下：

─coco128
	 ├─annotations
	 ├─train2017
     └─val2017

• 将此文件夹直接复制粘贴进你的yolox目录下的datasets。读取annotations下instances_train2017.json文件，查找到categories字段，根据id判断知道共有71类。读取json并格式化输出脚本如下：

import json

f=open(r"D:\Coding\AnacondaProject\YOLOX-main-1\datasets\coco128\annotations\instances_train2017.json")# 替换成你自己的路径
json_dict=json.load(f)
print(type(json_dict))

js = json.dumps(json_dict, sort_keys=True, indent=4, separators=(',', ':'))
print(js)

2. 开始训练

官方引导的训练脚本是基于VOC数据集的，我们这里使用的是COCO。

python tools/train.py -f exps/example/custom/yolox_s.py -d 1 -b 8 --fp16 -o -c premodel/yolox_s.pth

• 注意，我们这里是直接使用的exps/example/custom/yolox_s.py这个脚本，请不要根据其他教程去改动：exps/default目录下的脚本，父类也不要改动。

  如果你需要定制自己的脚本，请在exps/example/custom/目录下新建你的脚本文件，并模仿其他脚本一样，继承MyExp父类，增添你的代码，或重载代码。

  custom/yolox_s.py脚本代码如下：

class Exp(MyExp):
    def __init__(self):
        super(Exp, self).__init__()
        self.depth = 0.33
        self.width = 0.50
        self.exp_name = os.path.split(os.path.realpath(__file__))[1].split(".")[0]

        # Define yourself dataset path
        self.data_dir = "datasets/coco128"
        self.train_ann = "instances_train2017.json"
        self.val_ann = "instances_val2017.json"

        # 改成coco128的类别
        self.num_classes = 71

        # 最大epoch数默认300
        self.max_epoch = 300
        self.data_num_workers = 4
        self.eval_interval = 1

​ 可以看到此脚本已经示范了一次如何简单定制自己的模型，你可以根据自己的需求去改写你的数据集路径，但是目录结构要保证不变，annotations目录名也要保证不变，具体目录结构应该怎么建，之前coco128解压之后的目录结构是最好的说明。

​ 在这个脚本中，你还需要重载父类属性self.num_classes = 71，因为父类里面self.num_classes = 80。而coco128只有71类。

• premodel/yolox_s.pth是我自己在yolox目录下创建的，yolox_s.pth是在github上下载的预训练模型，由于这个预训练模型是80类，所以等会儿在训练的时候会出现warning。不用管这个警告，YOLOX会来处理head维数不同的问题。

• 运行脚本，等待训练
  

• 如果在训练时报错：‘numpy.float64’ object cannot be interpreted as an integer，去修改pycocotools里面的cocoeval.py。改源码不太合适，但是这是目前已知唯一解决办法。
  

• 训练完成后会将权重保存在./YOLOX_outputs/yolox_s/目录下，选择best_ckpt.pth。

3. 使用权重进行推理

• 训练完成后，有点辣鸡？？…
  
• 使用训练好权重的脚本进行推理

python tools/demo.py image -f exps/example/custom/yolox_s.py -c ./YOLOX_outputs/yolox_s/best_ckpt.pth --path datasets/coco128/train2017/000000000001.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

​ 结果图：什么也没训练出来的…
​ 意思是这个意思，完整的训练+权重使用应该就是这个流程