目标检测实战(七): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）

一、目标检测介绍

目标检测（Object Detection）是计算机视觉领域的一项重要技术，旨在识别图像或视频中的特定目标并确定其位置。通过训练深度学习模型，如卷积神经网络（CNN），可以实现对各种目标的精确检测。常见的目标检测任务包括：人脸检测、行人检测、车辆检测等。目标检测在安防监控、自动驾驶、智能零售等领域具有广泛应用前景。

二、YOLOX介绍

论文链接：YOLOX: Exceeding YOLO Series in 2021

背景：随着物体检测的发展，YOLO系列始终追求实时应用的最佳速度和精度权衡。而且在过去两年中，目标检测学术界的主要进展都集中在无锚检测器 、高级标签分配策略 和端到端（无 NMS）检测器。而YOLOV4和YOLOV5仍然是基于锚的检测器。由于计算资源的限制导致这些优秀的检测器并不能广泛运用。

创新与贡献：

1. Backbone。使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；
2. PAN-FPN。毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块
3. Decoupled-Head。是不是嗅到了不一样的味道？是的，YOLOv8走向了Decoupled-Head；
4. Anchor-Free。YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；
5. 损失函数。YOLOv8使用VFL Loss作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；
6. 样本匹配。YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式

三、源码获取

1. 源码：点击
2. bubbliiiing的代码：点击

四、环境搭建

我这里的环境安装的方式是根据源码安装的，但是我的代码是下载的bubbliiiing的。
第一步：Install YOLOX from source
cd YOLOX
pip install -v -e . # or python setup.py develop

第二步：安装cuda、torch、torchvision重要的环境。参考这个博客

环境	版本
python	3.7.11
cuda	10.1
torch	1.8.0+cu101
torchvision	0.9.0+cu101

第三步：安装之后进入到此环境下的代码主目录，在终端运行

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

4.1 环境检测

下载YOLOX-S：点击

下载之后将模型放在下图位置，并修改predict.py路径

然后运行predict.py即可，输入图片路径，将得到下面的结果。

五、数据集准备

通过labelImg标注图片得到xml和原图，分别放置在这两个文件夹下（labelImg的使用可查看这个博客）

这时候就需要将此数据集转换成VOC格式的数据集，方可训练。

通过voc_annotation.py来将数据集进行划分，注意几个地方：

• annotation_mode为0/1/2的时候的区别，代码里面有备注
• classes_path：数据集的类别情况，要改为自己的类别
• 其他地方就是修改路径的问题，改成自己数据集对应的路径

运行后发现

六、模型训练

这时候你会发现在主目录下会得到两个txt文件，一个用于训练一个用于验证。
然后你运行train.py，model_path修改为自己的类别文件路径。然后就可以运行。

python train.py

训练的同时我们也可以通过tensorboard来查看训练损失和其他指标的图

七、模型验证

通过get_map.py来验证模型的准确率、召回率、F1和mAP。（若想要测试集多点，需通过voc_annotation.py来划分数据集的测试集）

python get_map.py

修改的地方：

• map_mode：第一次使用需要设置为0
• classes_path：为自己的类别文件路径
• VOCdevkit_path：为自己的数据集路径
• 还有其他的相关路径的修改
  
  第一次必须使用map_mode = 0才能运行。因为后面有些模式需要结合检测的结果来进行绘制，

由于训练时间问题，我只是简单测试了一下训练效果，没有进行大量的epoch训练，所以效果并不是很好。

八、模型测试

通过predict.py来对模型测试。

修改的地方：

• mode：可选择图片、视频、fps、热力图、转换成onnx模型等
• 还有model_path和classes_path也需要改为自己的（和训练情况一样，model_path为训练好的模型文件）
  单张图片
  
  热力图