YOLO系列文章阅读--yolox

DouRainBbow

已于 2022-12-08 17:02:28 修改

阅读量892

点赞数

文章标签：目标检测深度学习计算机视觉

于 2022-11-15 20:28:41 首次发布

本文链接：https://blog.csdn.net/m0_50880364/article/details/127849510

版权

YOLOX是YOLO系列的最新进展，研究了目标检测中的解耦头部设计和无锚策略。通过解耦分类和定位任务，YOLOX在COCO数据集上达到了50.0%的AP，超越了YOLOv5。此外，文章还讨论了无锚检测器的优势，包括减少设计参数和简化训练过程。YOLOX的多正样本策略进一步提升了性能，达到了45.0%的AP。

摘要由CSDN通过智能技术生成

Introduction

大概讲了一下，YOLO系列发展。提取当时可用的最先进的检测技术(例如，针对YOLOv2的锚anchor，针对YOLOv3的Residual-NET)进行优化，来达到一个好的效果。在过去两年中，目标检测学术界的主要进展集中在无锚检测器、高级标签分配策略和端到端(无nms)检测器。
但是哈，yolo最新系列目前都是anchor-based，所以这里考虑使用一下anchor-free，考虑到YOLOv4和YOLOv5对于基于锚的pipeline可能有点过度优化，我们选择YOLOv3作为我们的起点(我们将YOLOv3- spp设置为默认YOLOv3)。
看一下部分使用，当切换到先进的YOLOv5架构(采用先进的CSPNet骨干和并且带上PAN头)时，YOLOX-L在640 × 640分辨率的COCO上获得了50.0%的AP，比对应的YOLOv5- l高出1.8%的AP。

YOLOX-DarkNet53

YOLOX选择YOLOv3和Darknet53作为基础。

Decoupled head

在这里插入图片描述
在目标检测中，分类和回归任务之间的冲突是一个众所周知的问题。因此，用于分类和定位的解耦头在一级和二级探测器中得到了广泛的应用。然而，作为YOLO系列的主干和特征金字塔(如FPN [13]，PAN[20].)不断演化，其探测头仍然保持耦合。
我们的两个分析实验表明，耦合探测头可能会降低性能。1)取代Y