YOLOX论文阅读

因为打比赛的需要用到YOLOX算法，专门看了一下YOLOX的论文，做个阅读笔记。

论文链接：https://arxiv.org/abs/2107.08430

YOLOX在YOLO V3的基础之上，加了很多新的方法，特别是使用anchor-free代替了anchor-base，既降低了参数有提升了性能。下面一个一个进行讲解。

Decoupled head

YOLO系列为了简便，使用一个卷积头（coupled head）同时预测cls、reg以及obj，现在已有多种多篇论文证明卷积解耦结构能够提升模型性能，因此在这里使用卷积解耦的方式进行预测，具体的，使用一个分支预测cls，另一个分支预测reg以及obj。

 性能提升情况：

 性能提升情况：

 

Strong data augmentation

数据增强能够有效提升模型性能，YOLOX使用了mosaic、mix up作为额外的数据增强。值得注意的是，在训练的最后15个epoch，YOLOX停止了这些这些strong data augmentation。

有两点值得注意：

1、在使用这些数据增强后，使用ImageNet的预训练不能带来性能的提升，因此后续都是从头开始训练模型

2、在训练小模型YOLOX-Nano是，发现使用去除mix up以及减少mosaic的尺寸范围，能够更好的训练模型，这可能与模型的学习能力有关。

Anchor-free

原始的YOLO V3使用anchor-base，但是anchor-base存在着一些问题，首先anchor设置问题，使用聚类等方法得到anchor缺少泛化性能，其次，anchor增加了大大增加了计算量。

因此YOLOX使用anchor-free的方式，YOLOX在FCOS的基础上进行改进，对于location，YOLOX预测相较于grid的左上角的偏移量以及预测的长宽。

Multi positives

FCOS对每个物体只输出一个正样本，而YOLOX将中心区域的3x3作为正样本，也就是center sample，这可以显著提升性能。

SimOTA

重点的重点，还没有看过论文，等看完论文之后再写一篇补上。

消融实验

总的来说，YOLOX并没有给我一种特别惊艳的感觉，与YOLO V4、YOLO V5，只是在YOLO V3的基础上，将多种trick以及验证有效的方法进行拼接。不过这也彰显了YOLO系列的系列的伟大。