【YOLOX】《YOLOX：Exceeding YOLO Series in 2021》

最新推荐文章于 2024-08-14 23:30:40 发布
最新推荐文章于 2024-08-14 23:30:40 发布
阅读量731 收藏 13
点赞数 26
分类专栏： CNN / Transformer 文章标签： 人工智能 YOLO yoloX 计算机视觉 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bryant_meng/article/details/131314688
版权

在这里插入图片描述

arXiv-2021

Ge Z, Liu S, Wang F, et al. Yolox: Exceeding yolo series in 2021[J]. arXiv preprint arXiv:2107.08430, 2021.

https://github.com/Megvii-BaseDetection/YOLOX

文章目录

1 Background and Motivation

目标检测新方向，anchor-based to anchor-free，NMS based to NMS free，static label assignment to 各种新的 label assignment

这些技术没有应用在 yolo 家族上，本文把上述目标检测发展的新技术应用在 yolov3 上，提出 yolo X，效果可观

在这里插入图片描述

2 Related Work

  • anchor free
  • NMS free
  • label assignment

3 Advantages / Contributions

  • 基于 yolov3 提出 yolox

  • 公开数据集验证速度精度有提升

  • won the 1st Place on Streaming Perception Challenge (Workshop on Autonomous Driving at CVPR 2021) using a single YOLOX-L model.

4 Method

YOLOX-DarkNet53

4.1 Implementation details

BCE Loss for training cls and obj branch, and IoU Loss for training reg branch.

在这里插入图片描述
在这里插入图片描述
来自 深入浅出Yolo系列之Yolox核心基础完整讲解

在这里插入图片描述

4.2 decoupled head

采用了 decouple head 的形式，可以明显提升收敛速度，如下图所示

在这里插入图片描述

解耦头会收敛更快，精度也会更高，但会增加运算的复杂度
在这里插入图片描述
来自 深入浅出Yolo系列之Yolox核心基础完整讲解

定量分析看，提点也很明显
在这里插入图片描述

end-to-end YOLO 采用了 NMS-free 的技术，介绍如下
在这里插入图片描述

Zhou Q, Yu C. Object detection made simpler by eliminating heuristic NMS[J]. IEEE Transactions on Multimedia, 2023, 25: 9254-9262.

4.3 Strong data augmentation

引入了 Mosaic and MixUp，close it for the last 15 epochs

加了强数据增强后，发现 ImageNet pre-train is no more beneficial，作者都 train from scratch 了

4.4 anchor-free

anchor based 的方法的缺点

  • 需要根据数据集先聚类得到 anchor，缺乏泛化性
  • 引入了更多的计算量

anchor based 是 3 ∗ （ 20 ∗ 20 + 40 ∗ 40 + 80 ∗ 80 ） ∗ 85 3*（20*20+40*40+80*80）*85 3∗（20∗20+40∗40+80∗80）∗85

anchor free 是 1 ∗ （ 20 ∗ 20 + 40 ∗ 40 + 80 ∗ 80 ） ∗ 85 1*（20*20+40*40+80*80）*85 1∗（20∗20+40∗40+80∗80）∗85

anchor-free，采用的是 FCOS 的那套

在这里插入图片描述

Tian Z, Shen C, Chen H, et al. FCOS: A simple and strong anchor-free object detector[J]. IEEE transactions on pattern analysis and machine intelligence, 2020, 44(4): 1922-1933.

center location of each object as the positive sample and pre-define a scale range

4.5 Multi positives

3×3 area as positives, also named “center sampling” in FCOS

4.6 SimOTA

cost
在这里插入图片描述
在这里插入图片描述
OTA 的简化版本

缺点：slow down the training process. And it is not rare to fall into unstable training

5 Experiments

5.1 Datasets and Metrics

COCO and mAP

5.2 YOLOX-DarkNet53

在这里插入图片描述

5.3 Other Backbone

（1）Modified CSPNet in YOLOv5

在这里插入图片描述

换成 v5 的主干后，比 v5 猛

（2）Tiny and Nano detectors

迷你版，看看效果

在这里插入图片描述

（3）Model size and data augmentation

在这里插入图片描述
weaken the augmentation for small models

stronger augmentation is more helpful for large models

5.4 Comparison with the SOTA

在这里插入图片描述

6 Conclusion（own）

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
解耦的好处在于：在检测的过程中分类需要的特征和回归所需要的特征不同，所以在 Decoupled Head 中进行解耦处理后学习的过程会变得更加简单。

在这里插入图片描述
在这里插入图片描述

附录——SimOTA 细节

来自 深入浅出Yolo系列之Yolox核心基础完整讲解

正负样本分配：初步筛选、SimOTA

初步筛选
a. 根据中心点来判断：寻找anchor_box中心点，落在groundtruth_boxes矩形范围的所有anchors
在这里插入图片描述

b.根据目标框来判断：以groundtruth中心点为基准，设置边长为5的正方形，挑选在正方形内的所有锚框。
在这里插入图片描述

精细筛选—SimOTA
a.初筛正样本信息提取
b.Loss 函数计算
c.cost 成本计算
d.SimOTA 求解
在这里插入图片描述
假设初步筛选从 8400 筛选到只剩 1000， simOTA中，会选 cost 最小的前 k 个 作为正样本
在这里插入图片描述
可能出现共用情况，一个正样本分配了多个 GT

在这里插入图片描述
选 cost 最小的
在这里插入图片描述

bryant_meng
关注
  • 26
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文：YOLOX: Exceeding YOLO Series in 2021
m0_38064230的博客
02-22 551
作者 Abstract In this report, we present some experienced improvements to YOLO series, forming a new high-performance detector— YOLOX. We switch the YOLO detector to an anchor-free manner and conduct other advanced detection techniques, i.e., a decoupled h
[论文翻译]YOLOX: Exceeding YOLO Series in 2021
weixin_44403853的博客
08-20 1226
YOLOX：2021超越YOLO系列 摘要 本报告中，我们对YOLO系列进行了一些有经验的改进，构成了一个新的高性能检测器——YOLOX。我们将YOLO检测器变成无锚模式，并实施了一些其他先进检测技术，即，一个解耦头和引导标签分配策略SimOTA在大尺度范围模型中达到SOTA结果：对于仅有0.91M参数和1.08FLOPs的YOLONano，我们在COCO上达到25.3%AP，超越NanoDet1.8%AP。对于YOLOv3，工业上使用最广泛的检测器之一，我们在COCO上将其提升到47.3%AP，比当前最佳
超越一切YOLO！旷视提出YOLOX：新一代实时目标检测网络
热门推荐
阿木寺的博客
07-20 4万+
非常期待YOLOv6（YOLOv4/v5已发布一年了），白嫖真香！ 其中YOLOX-L版本以 68.9 FPS 的速度在 COCO 上实现了 50.0% AP，比 YOLOv5-L 高出 1.8% AP！还提供了支持 ONNX、TensorRT、NCNN 和 Openvino 的部署版本。代码刚刚开源！ YOLOX YOLOX: Exceeding YOLO Series in 2021 作者单位：旷视科技 代码：https://github.com/Megvii-BaseDetection/YOLO
目标检测之YOLOX: Exceeding YOLO Series in 2021
qq_41950533的博客
02-15 2357
CVPR 2021 下载：https://arxiv.org/abs/2107.08430 0.摘要 有几个特点： 1.anchor-free 2.主干网络CSPDarknet和Focus 3.Decoupled Head解耦头 4.SimOTA 1.主干网络CSPDarknet yolov3中使用的是Darknet53，CSPDarknet是在其基础上，借鉴CSPNet的经验，产生的Backbone结构，而在yolox中的CSPDarknet也使用了Focus网络。 1.1Focus Focus和espc
Exceeding_Z：挑战：超过Z
02-17
挑战 编写一个程序，该程序读取两个整数：X和Z（必须读取Z多次，直到读取大于X的数字）。 计算必须按顺序求和多少个整数（从X开始并包括X），以使总和超过Z的最小可能值并写入此数字。 输入的数字可能为21 21 15 30...
Fuel gain exceeding unity in an inertially confined fusion implosion
02-23
### 惰性约束聚变实现燃料增益超过一的研究 #### 核心知识点解析 ##### 1.... - **定义**：在惯性约束聚变（Inertial Confinement Fusion, ICF）过程中，如果通过聚变反应产生的能量超过了在压缩过程中投入到氘氚燃料...
Compact solid-state waveguide lasers operating in the pulsed regime: a review [Invited]
02-13
these small sources are capable of delivering stable pulses with durations as short as femtoseconds and repetition rates exceeding 10 GHz. These promising sources are known as solid-state waveguide ...
deep learning state of the art(MIT深度学习各领域最新突破PPT)
01-19
这是MIT系列课程之一，有关深度学习最新进展的讲座。包括BERT、特斯拉自动驾驶仪硬件中的大规模神经网络、AdaNet、AutoAugment、BigGAN等12大类。 本文所介绍的内容是MIT系列课程之一，是有关深度学习最新进展的...
【论文阅读】YOLO-X:Exceeding YOLO Series in 2021
一碗白开水一
08-05 7084
题目：YOLOX: Exceeding YOLO Series in 2021
C/C++开发，opencv内置背景减除算法与运动检测
技术需要分享
08-14 464
C/C++开发，opencv内置背景减除算法的完整代码及编译过程示例
数字图像处理（Matlab实践篇）专栏介绍
weixin_44063529的博客
08-14 402
数字图像处理（Matlab实践篇）”专栏是一个全面、系统的学习资源，它不仅提供了丰富的理论知识，更重要的是，通过实战案例和代码示例，使读者能够将所学知识应用于实际问题中。随着数字图像处理技术在各行各业的广泛应用，掌握这些技能无疑将为读者的职业生涯增添宝贵的资本。通过这个专栏的学习，读者将能够构建起自己的图像处理工作流，提升处理能力，为未来的技术挑战做好准备。
机器学习常用包numpy篇（零）前置知识·数值类型
最新发布
2301_79144343的博客
08-14 193
本文仅介绍numpy中的数值类型
Spark MLlib 特征工程(上)
08-14 741
特征选择的动机，在于提取与预测标的关联度更高的特征，从而精简模型尺寸、提升模型泛化能力。特征选择可以从两方面入手，业务出发的专家经验和基于数据的统计分析。归一化的目的，在于去掉不同特征之间量纲的影响，避免量纲不一致而导致的梯度下降震荡、模型收敛效率低下等问题。归一化的具体做法，是把不同特征都缩放到同一个值域。在这方面，Spark MLlib 提供了多种归一化方法供开发者选择。
根据哈希值或者特征值判断图片是否相同
Y_warmth
08-09 751
detectAndCompute 方法结合了特征检测和描述符计算两个步骤，可以在图像中检测出特征点并计算这些特征点的描述符。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特征检测器和 BRIEF 描述符的特征提取算法，具有旋转不变性和尺度不变性，适用于图像特征匹配、目标检测等任务。接着使用 ORB 对象的 detectAndCompute() 方法检测图像中的特征点并计算描述符，最后将特征点绘制在图像上并显示出来。
ubuntu22.04 安装 ros1
qq_35547879的博客
08-14 108
原先只知道ros1 noetic 只支持到ubuntu20.04。现在系统必须升级到ubuntu22.04。
阿里推出视频 AI 生成式框架 Tora，通过轨迹生成视频
qq_57728300的博客
08-13 427
阿里集团推出面向轨迹的视频生成框架 Tora，可以生成精美的视频。
叉车指纹锁系统 指纹识别启动车辆 让管理更轻松！
jiuxindianzi的博客
08-12 336
叉车指纹系统通过指纹认证管理叉车，降低安全事故，强化安全管理。支持指纹、刷卡识别，云端数据管理。适用于油电叉车，安装需连接特定线路，提高叉车管理效率。
yolov7与yolox
09-22
YOLOX的论文名为"YOLOX: Exceeding YOLO Series in 2021"，你可以在论文中找到更详细的信息。YOLOX的一个主要改进是设计了YOLOv5的EfficientRep backbone结构，它在YOLOv5的基础上进行了优化，提高了特征提取效果和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值