YOLOX-入门2-训练-【Reproduce our results on COCO】

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，可以直接复制过去，替代官方给的示例中的【/path/to/your/COCO】。

注意
这里测试的是coco2017数据集，如果你想改其他的coco数据集，可以在/root/YOLOX/yolox/data/datasets/coco.py路径下，改这个coco.py。
他这里设置的是instances_train2017.json文件。
还有root/YOLOX/yolox/exp/yolox_base.py文件，如下图2。
我目前只注意到这两个，我没有实际运行过用coco2014的。

epoch修改

在/root/YOLOX/yolox/exp/yolox_base.py文件中，可以修改epoch数。
原本设定的max_epoch是300。
我自己尝试的时候，为了更快训练完，改成了5。

运行

cd /root/YOLOX
ln -s /datasets/coco2017 ./datasets/COCO
python tools/train.py -n yolox-s -d 8 -b 64 --fp16 -o

其中，d后是GPU数量，b后是batch size，通常就是GPU数量乘8：
-d: number of gpu devices
-b: total batch size, the recommended number for -b is num-gpu * 8

一开始博主在平台上创建实例的时候，由于贫穷，GPU数量选择的是1个。
但是-d 1 -b 8，这样子的参数，去跑coco2017，大概要跑一辈子。
所以，忍痛充钱，用8GPU的跑。
8GPU的跑5epoch，用时大约43分钟。
2GPU的跑5epoch，预计用时是 2:16:55。(我就不等了，没有跑完)

关于增加GPU的数量，现在平台还不能直接升。
可以先创建自定义镜像，然后再从【数据管理】——【我的镜像】——找到刚刚自定义创建的镜像——【创建实例】——改选8个GPU数量
他的官方教程：使用过程中想要增加或减少显卡数量，更换显卡型号怎么办？
或者重新从安装开始来一次，这样可能报错更少，更顺利。

训练过程

下面这个只是某一时刻的，运行一段时间后GPU-Util比较平均。

训练结束

训练结束，在YOLOX_outputs/yolox_s/目录下产生了新的权重文件。
将events.out.tfevents这两个文件copy到data-output路径下，再打开tensorboard，就可以查看训练结果的可视化展示。
在云平台上操作的教程：TensorBoard 使用

结果对比

为了保持继续深入学习的高涨的热情，建立了一个帅哥测试数据集。
今天随手测了最近看的一个韩剧的片段。
分别用yolox_m模型，和本篇博客中只训练5个epoch的/root/YOLOX/YOLOX_outputs/yolox_s/best_ckpt.pth.tar模型，运行同一段视频。

只训练了40多分钟，5个epoch的模型，全程只能识别出person这个类别，而且当人背向镜头的时候，识别他为人的概率只有50%左右。
所以这个就不放截图了。

官方给的yolox_m模型就效果好很多。能识别出很多小物体。