YOLO_X环境搭建输出结果（无训练）

于 2023-09-16 20:11:36 发布
阅读量103 收藏
点赞数
文章标签： YOLO
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/m0_62948300/article/details/132922931
版权

官方代码链接：GitHub - Megvii-BaseDetection/YOLOX: YOLOX is a high-performance anchor-free YOLO, exceeding yolov3~v5 with MegEngine, ONNX, TensorRT, ncnn, and OpenVINO supported. Documentation: https://yolox.readthedocs.io/

基本参照这两个链接来做：

YOLOX实战：超详细！手把手教你使用YOLOX进行物体检测（附数据集）-云社区-华为云

深入浅出Yolox之自有数据集训练超详细教程 - 知乎

我仅仅是为了运行demo输出可视化结果，在运行这个步骤时出错了

于是我就放弃这一步，仍然成功的运行了demo,中途会有一些报错，比如torchvision的版本问题，这时候把版本升一升降一降就好了（但真的很烦人），需要耐心。

我一共运行了三个模型：

我运行了yolo-s,yolo-l,yolo-x，个人觉得yolo-l的效果最好，它的mAP只比x版本低了1个点做优，但参数量却几乎它的只有一半。

最后给一个可视化的结果：

努力的BigJiang
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLOX算法调试记录
pengxiang1998的博客
08-19 1000
YOLOX是在YOLOv3基础上改进而来，具有与YOLOv5相媲美的性能，其模型结构如下：由于博主只是要用YOLOX做对比试验，因此并不需要对模型的结构太过了解。先前博主调试过YOLOv5,YOLOv7，YOLOv8,相比而言，YOLOX的环境配置是类似的，但其参数设置太过分散，改动比较麻烦，就比如epoch这些参数竟然要放到yolox_base.py文件中去继承，而不是直接在train.py中指定。话不多说，我们开始调试过程。
目标检测之YOLOX分享
xuzz_498100208的博客
11-29 1630
旷世发布的yolox在yolov5基础之上进行大量改进，在检测头层面进行分类回归解耦，同时通过改进正负样本选择策略，anchor free等方式相比yolov5具有一定提升：YOLOX-L和YOLOv4-CSP、YOLOv5-L有差不多参数量的情况下，YOLOX-L在COCO上取得50.0%AP（比YOLOv5-L高出1.8%的AP）
yolo和paddle模型常见输出参数解惑
null
06-02 793
yolo模型推理后处理输出
YOLOX结果输出PR曲线代码
weixin_60805296的博客
07-02 2567
YOLOX结果输出PR曲线代码
YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP
热门推荐
qq_63708623的博客
01-01 2万+
YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。
计算机视觉_YOLO_v1训练_YOLO_small.ckpt
03-07
计算机视觉_YOLO_v1训练_YOLO_small.ckpt
YOLO_small.ckpt
03-06
同时，你还需要确保你的硬件环境能够支持模型的计算需求，尽管YOLO_small已经做了优化，但仍然可能需要GPU加速。 总的来说，"YOLO_small.ckpt"文件是一个训练好的目标检测模型，适用于实时或资源受限的场景。要充分...
YOLO_V5的官方预训练权重
10-14
YOLO_V5是一款高效且精确的目标检测框架，其官方预训练权重是进行物体检测任务的重要资源。这个压缩包包含了四种不同规模的模型：S、M、L、X，分别对应小型、中型、大型和超大型模型。这些模型在广泛的图像数据集上...
Yolo训练数据标注工具-Yolo_mark
11-09
`Yolo_mark` 提供了这样的工具，使得创建训练数据集的过程更加高效。通过使用这样的工具，研究人员和开发者可以更快地构建和训练自己的YOLO模型，进而应用于实际的物体检测任务，如监控视频分析、自动驾驶车辆感知等...
yolo_海康OPENCV_opencvyolo_海康YOLO_yolo_YOLO台式机_
09-29
标题中的“yolo_海康OPENCV_opencvyolo_海康YOLO_yolo_YOLO台式机”暗示了我们即将探讨的是一个关于计算机视觉领域的项目，具体是使用OpenCV库在台式机上运行YOLO（You Only Look Once）算法，结合海康卫视的相机...
yolox的训练结果
DL_Novice的博客
05-06 547
Yolox的训练结果 总结 目测还可以
【目标检测】YOLOX-算法（代码解读）
qq_45752541的博客
03-15 1万+
文章目录前言一、测试1.引入库二、训练1.引入库2.读入数据总结 前言 分享一下YOLOX具体实现过程 一、测试 首先看demo.py。 1.引入库 代码如下（示例）： line196：构建了一个predictor类，将测试图片输入 outputs, img_info = predictor.inference(image_name) 然后进入predictor的inference过程： img = cv2.imread(img) ratio = min(self.test_size[0]
YOLOX输出Precision、Recall指标（VOC数据集）
lpan2020的博客
06-20 3890
按照yolov5中计算precision和recall的方式，计算最大f1分数时的iou下的p和r
YOLOX优点介绍与解析，详细易懂。
mmmzzzxxx123的博客
08-15 1万+
YOLOX各个优点详解，让你一篇文章了解！
YOLOX-部署与测试
weixin_41793473的博客
07-21 5829
YOLOX-部署与测试 我找的YOLOX的GitHub地址： https://github.com/Megvii-BaseDetection/YOLOX 选择部署的平台：【极链AI云平台】 优势：价格便宜，按实际使用时间扣费，适合学生进行科研探索；使用灵活，即用即停；选择较多，可以选择不同的Pytorch、Python、CUDA版本。 官网：https://cloud.videojj.com 最近好像很多活动，比较优惠，适合学生党，冲鸭！！！！！！！！！！ 我这次在【极链AI云平台】上选择的是GeForce
YOLOX：高性能目标检测的最新实践 | 报告详解
BAAIBeijing的博客
08-26 1811
近年来，目标检测的工程应用研究中，YOLO系列以快速响应、高精度、结构简单以及容易部署的特点备受工程研究人员的青睐。同时，YOLO系列存在需要手工设定样本正负导致模型泛化能力较差的问题。为...
YOLOX-入门2-训练-【Reproduce our results on COCO】
weixin_41793473的博客
07-23 2833
YOLOX-入门2-训练-【Reproduce our results on COCO】 上一篇： YOLOX-部署与测试 部署的平台：【极链AI云平台】 YOLOX地址： https://github.com/Megvii-BaseDetection/YOLOX 复现YOLOX在COCO数据集的结果 数据集 在部署平台极链AI云上，有提供数据集，其中就包括coco2017，可以直接用ln语句在自己的YOLOX路径下建立软链接，使用方便。 在极链AI云提供的coco数据集中，有提示该coco数据集的路径，
YoloX的demo测试、训练、评估记录
Joejwu的博客
09-08 9151
1 准备工作 1.1 clone官方仓库 以下工作建立在已经掌握了使用anaconda搭建环境的基础上！ 然后克隆下来yolox的官方仓库，如下： git clone git@github.com:Megvii-BaseDetection/YOLOX.git 如果无法直接clone，也不用慌，直接下载就行了，和克隆下来一样，只不过后期官方更新了的话，需要自己重新下载更新就是了！ 1.2 搭建环境 cd YOLOX pip3 instal...
YOLOX
年轻即出发，
10-12 1601
论文：YOLOX: Exceeding YOLO Series in 2021 Github：https://github.com/Megvii-BaseDetection/YOLOX face++作品，2021 论文提出了YOLOX，其超越了YOLOV1-V5系列，并且取得了StreamingPerception Challenge 第一名的成绩（速度，精度都看）。YOLOX基于YOLOV3进行改进，采用了YOLOv3-SPP基础结构。采用BCELoss训练cls和obj，Io...
from yad2k.models.keras_yolo import yolo_head, yolo_boxes_to_corners, preprocess_true_boxes, yolo_loss, yolo_body
最新发布
06-10
这是一个导入语句，使用了yad2k库中的yolo_head、yolo_boxes_to_corners、preprocess_true_boxes、yolo_loss、yolo_body模块。这些模块主要用于实现基于Keras的YOLO算法，包括模型构建、真实框处理、损失函数计算等功能。其中，yolo_head和yolo_boxes_to_corners主要用于在检测时将YOLO模型输出的特征图转化为边框坐标，preprocess_true_boxes用于将真实框转化为网络输出的目标格式，yolo_loss用于计算模型的损失函数，yolo_body用于搭建YOLO模型的主体结构。通过这些模块的组合，可以方便地搭建一个基于Keras的YOLO目标检测模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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