目标检测--YoloX

以下整理和图像均来自江大白老师的知乎讲解：深入浅出Yolo系列之Yolox核心基础完整讲解

知乎 深入浅出Yolo系列之Yolox核心基础完整讲解 - 知乎

YOLOX 结构图

yolov3 相比，最大的改进是在head阶段，yolov3结构如下

Decoupled Head

yolov3 head中，直接将neck层融合后的结果，进行卷积操作，然后得到 （n*n）*255 的feature map

而yolox head 则使用了“解耦头”操作，将neck层的结果解耦,如下图

解耦为20*20*80（类别）， 20*20*1（置信度）， 20*20*4（预测框）这三个特征向量，使用concat 堆叠到一起，最后将三个分支合并到一起，并transport，形成一个85*8400的二维特征向量

Anchor-free

YoloV3 ,v4, v5 都使用的Anchor-base的方式

Anchor-base 就是设置一些Anchor 规则，将预测框与标注框进行关联，然后在预测阶段对二者进行计算损失函数，从而优化。

Anchor Free

在最后输出的85*8400 的特征向量中，因为是经过解耦+contact后得到的特征向量，所以可以将8400看成8400个锚框，

将锚框和目标框对应的方式就采用了初步筛选和SimOTA的方式

初步筛选的方式主要有两种：根据中心点来判断、根据目标框来判断；

SimOTA 是精细化筛选，细节后面补充

YoloX 不仅有四个s, m,l, x权重，又根据yolov4-tiny 和NanoDet 构建了yolox-tiny和yolox-nano 这两个超轻 模型。