学习经验分享之二：YOLOX: Exceeding YOLO Series in 2021

人工智能算法研究院

已于 2022-11-29 11:22:23 修改

阅读量616

点赞数

分类专栏：学习经验分享文章标签：目标检测深度学习人工智能

于 2022-06-10 12:45:36 首次发布

本文链接：https://blog.csdn.net/m0_70388905/article/details/125217113

版权

学习经验分享专栏收录该内容

50 篇文章 35 订阅

订阅专栏

论文地址： https://arxiv.org/pdf/2107.08430.pdf
代码地址： https://github.com/Megvii-BaseDetection/YOLOX https://github.com/Megvii-BaseDetection/YOLOX

改进创新方法：可通过加cbam，se等注意力机制

YOLOX

YOLOX摘要
亮点：
1.采用anchor-free的方式
2.解耦头部
3.采用SimOTA
结果：
YOLONano为0.91M、1.08G Flops，超过NanoDet 1.8%AP
比YOLOv3高3%AP
相较于YOLOv4CSP、YOLOv5-L，速度为68.9FPS，超过YOLOv5-L 1.8%AP。
总结：主要是将anchor-free、SIMOTA、无NMS的检测器融入YOLO中。

YOLOx-DarkNet53
YOLOX是以YOLOv3-DarkNet53为基线进行的。（注意，这里的YOLOv3是加入了SPP的）
基线调整
同时adding EMA weights updating, cosine lr schedule, IoU loss and IoU-aware branch.
总结：
相较于YOLOv3-SPP做出了如下改动：
1.加入EMA权重更新
2.余弦lr调度
3.加入IoU损失
4.加入IoU感知分支

使用BCE损失，用于训练cls和obj分支，将IoU损失用于训练reg分支。
数据增强方面：
只进行RandomHorizontalFlip、ColorJitter和多尺度数据增强，并放弃RandomResizedCrop策略，因为我们发现RandomResizedCrop与计划的镶嵌增强有点重叠。
解耦头部
为解决分类和回归的冲突问题，提出使用解耦头部的方式。实验验证了耦合探测头会损害性能。
解耦头部的优点：
1.使用解耦的头部可以提高收敛速度。
2.解耦头部对于端对端的YOLO而言，必不可少。该结构组成：由一个1×1的卷积层减少通道数，后面跟着两个平行分支结构