YOLOX训练、测试、部署（python,C++）与改进

Yolox模型架构

---

模型结构由backbonex、neck、head组成

backbone:CSPDarknet53

neck:PAFPN

head:Decoupled Head、Anchor Free、SimOTA

1. Yolox 环境搭建

---

根目录yolox

1.1 创建并激活环境

---

使用的环境为conda的yolox, python 3.8

激活环境

conda activate yolox

1.2 安装代码库的文件

---

• 切换到根目录下，终端上

pip install -r requirements.txt

python3 setup.py develop

1.3 下载安装apex

---

apex github地址

git@github.com:NVIDIA/apex.git

• 切换到apex目录下，安装

python3 setup.py install

1.4 下载pycocotools

---

pip3 install cython
pip3 install 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

2. 创建自己的数据集

---

VOC数据集

目录

VOCdevkit # 放在./datasets下

___VOC2007

_____Annotations（存放所有图片对应的xml标签）

_____ImageSets （划分训练集、验证集、测试集的txt文件）

_____JPEGImages (存放所有图片，格式为png/jpg)

训练集和测试集生成的代码如下

# coding = utf-8
# -*- coding:utf-8 -*-
import os
import random

xml_file_path = '/home/zw100/Deep Learning/yolox/datasets/VOCdevkit/VOC2007/Annotations'
txt_save_path = '/home/zw100/Deep Learning/yolox/datasets/VOCdevkit/VOC2007/ImageSets/Main'
def generate_trainval_test(xml_file_path, txt_save_path):
    test_percent = 0.1
    xml_files = os.listdir(xml_file_path)
    num_of_xml_files = len(xml_files)

    test_num = int(num_of_xml_files * test_percent)

    list = range(num_of_xml_files)

    test = random.sample(list, test_num)

    f_test = open(txt_save_path+'/test.txt', 'w')
    f_train = open(txt_save_path+'/trainval.txt', 'w')

    for i in list:
        name = xml_files[i][:-4] + '\n' # q去掉.xml,即[:-4]
        if i in test:
            f_test.write(name)
        else:
            f_train.write(name)

    f_train.close()
    f_test.close()

if __name__ == '__main__':
    generate_trainval_test(xml_file_path, txt_save_path)

3. 修改代码

---

3.1 exps目录

---

1. ./exps/example/yolox_voc/yolox_voc_s.py

• self.num_classes --->你自己的目标检测的类别数，本文为检测猫狗,所以self.num_classes = 2.

3.2 yolox目录

---

1. yolox/data/datasets/voc_classes.py

• VOC_CLASSES--->改成自己要检测的目标，本文为猫狗检测，所以

VOC_CLASSES={"cat", "dog"}

2. voc.py

• self._imgpath根据自己的图片是png还是jpg格式更改，本文是png,所以改为

self._imgpath = os.path.join("%s", "JPEGImages", "s%.png")

4. 训练

---

需要在yolox的官网下载yolox_s.pth预训练权重文件,Yolox github官网

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0-b 4--fp16  -c yolox_s.pth

-c后面接yolox_s.pth的路径，本文直接放在根目录下

5. 测试

---

• 直接测试图片集，即test_txt对应的图片

利用tools下的eval.py进行测试

修改eval.py,将-c对应的pth改成训练集训练出来的best_ckpt.pth路径,如

如：

python tools/eval.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 4 --fp16  -c YOLOX_outputs/yolox_voc_s/best_ckpt.pth

• 测试单个图片

利用tools下的demo.py进行测试

python tools/demo.py image -f exps/example/yolox_voc/yolox_voc_s.py -c YOLOX_outputs/yolox_voc_s/best_ckpt.pth --path assets/class01.jpg --conf 0.25--nms 0.45--tsize 640--save_result --device [cpu/gpu]

6. 部署

---

yolox是先通过tools/trt.py脚本把ONNX模型解析然后序列化到model_trt.engin文件中，最后再通过c++代码从该文件中加载模型去进行推理

• 可以通过python解析onnx

• 也可以通过c++解析onnx

6.1 python版tensorRT推理

---

• 运行tools/trt.py,会在实验结果output(如YOLOX_outputs/yolox_s_add_kaiyang-736-1312-125-new3)下生成model_trt.engin

• 并且复制model_trt.engine到demo/cpp(c++)下

python tools/trt.py -f /path/to/your/yolox/exps/yolox_s.py -c your_ckpt.pth #example

python tools/trt.py -f exps/example/yolox_voc/yolox_voc_s_service_area_add_kaiyang.py -c YOLOX_outputs/yolox_s_addkaiyang-736-1312-125-new3/best_ckpt.pth

• 然后运行demo推理图片

python tools/demo.py image -f exps/default/yolox_s.py --trt --save_result# example

python tools/demo.py image -f exps/example/yolox_voc/yolox_voc_s_service_area_add_kaiyang.py --path datasets/VOCdevkit/VOC2007/TestImage --trt --save_result

infer_time = 0.003左右

6.2 c++版tensorRT推理

---

• 切换到demo/TensorRT/cpp目录下

• 编写CMakeLists.txt，包括cuda路径，TensorRT路径

• 新建bulid，并cmake

cd build
cmake ..
make

若在此过程编译失败例如找不到CUDA，卸载重装cuda其他不变动（cuda）

• 运行demo

./yolox ../model_trt.engine -i ../../../../assets/dog.jpg
./yolox ../model_trt.engine -i ../../../../datasets/VOCdevkit/VOC2007/TestImage
./yolox ../model_trt.engine -i ../../../../datasets/VOCdevkit/VOC2007/JPEGImages/1