【论文阅读】YOLO-X:Exceeding YOLO Series in 2021

最新推荐文章于 2024-09-14 08:24:15 发布
最新推荐文章于 2024-09-14 08:24:15 发布
阅读量7.6k 收藏 1
点赞数
分类专栏： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43859829/article/details/119414639
版权
YOLOX是针对YOLO系列的改进，作者通过移除anchor box，采用多尺度训练，引入IoU-aware分支和Decoupled Head等方法提升性能。实验中，他们使用了SGD优化器，余弦学习率策略，以及特殊的正样本策略simOTA，以提高训练效率和检测精度。
摘要由CSDN通过智能技术生成

题目： YOLOX: Exceeding YOLO Series in 2021
作者： Zheng Ge Songtao Liu Feng Wang Zeming Li Jian Sun

motivation:
作者想把yolo检测器改为anchor-freee的方发进行目标检测。

method:
先上张厉害的图：力压efficientdet.
在这里插入图片描述
训练细节：
Baseline：YOLOv3

300epoch的训练长度，其中，前5个epoch使用warmup学习率策略；
优化器使用标配的SGD；
学习率：其中初始学习率 0.01。使用余弦学习率策略；
batch size为128，使用8块GPU
多尺度训练：448-832，不再是以往的320-608了。这应该是追求large input size的涨点。
Backbone就是v3所使用的DarkNet-53。
预测部分加入了IoU-aware分支，这一点应该是和PP-YOLO是对齐的
损失函数：obj分支和cls分支还是使用BCE，reg分支则使用IoU loss；
使用EMA训练技巧；
数据增强仅使用RandomHorizontalFlip、ColorJitter以及多尺度训练，不使用randomResizedCrop，作者认为RandomResizedC

最低0.47元/天 解锁文章
一碗白开水一
关注
专栏目录
【目标检测-YOLO】博客阅读：Introduction to the YOLO Family
博观约取，厚积薄发
04-07 1872
介绍YOLO家族 目标检测是计算机视觉研究的重要课题之一。大多数计算机视觉问题都涉及到检测视觉对象类别，如行人、汽车、公共汽车、人脸等。这一领域不仅局限于学术界，而且在视频监控、医疗保健、车载传感和自动驾驶等领域具有潜在的现实商业用例。 许多用例，特别是自主驾驶，都要求高精度和实时推理速度。因此，选择一个对象检测器，适合的速度和准确性成为必不可少的法案。YOLO (You Only Look Once)是一个单级对象检测器，用于实现两个目标(即速度和准确性)。今天，我们将通过涵盖所有YOLO变体(如
YOLO综述：从YOLOV1到YOLOV8
qq_33287871的博客
04-08 2361
YOLO 已成为机器人、无人驾驶汽车和视频监控应用的中央实时目标检测系统。我们对 YOLO 的演变进行了全面分析，检查了从原始 YOLO 到 YOLOv8 的每次迭代中的创新和贡献。我们首先描述标准指标和后处理；然后，我们讨论了每个模型的网络架构和训练技巧的主要变化。最后，我们总结了 YOLO 发展的重要经验教训，并展望了其未来，强调了增强实时目标检测系统的潜在研究方向。
论文：YOLOX: Exceeding YOLO Series in 2021
m0_38064230的博客
02-22 608
作者 Abstract In this report, we present some experienced improvements to YOLO series, forming a new high-performance detector— YOLOX. We switch the YOLO detector to an anchor-free manner and conduct other advanced detection techniques, i.e., a decoupled h
YOLOX: Exceeding YOLO Series in 2021
dawnyi_yang的博客
12-12 3142
摘要 该文章主要是对YOLO系列进行了构建了一种新的高性能检测器YOLOX。本文将YOLO检测器调整为了Anchor-Free形式并集成了其他先进检测技术(decoupled head、label assignment SimOTA)取得了SOTA性能。 论文地址：YOLOX: Exceeding YOLO Series in 2021 方法 文章选择了YOLOv3、Darknet53作为出发点，对模型进行了改进。基线模型采用了DarkNet53骨干+SPP层(YOLOv3-SPP)。 Decoupled
YOLOX：高性能目标检测的新标杆
最新发布
gitblog_01034的博客
09-14 452
YOLOX：高性能目标检测的新标杆 YOLOX-Training-Code 项目地址: https://gitcode.com/gh_mirrors/yo/YOLOX-Training-Code ...
【读点论文】YOLOX: Exceeding YOLO Series in 2021，无锚框单阶段目标检测方案，解耦检测头的分类和回归分支，优化标签分配策略
白水空空
04-16 1884
然而，我们发现，合适的增强策略因不同尺寸的模型而异。无锚机制显著减少了需要启发式调整的设计参数的数量和所涉及的许多技巧（例如，锚聚类，网格敏感），以获得良好的性能，使检测器，特别是其训练和解码阶段，变得相当简单。每个gt 的大小、尺度和遮挡条件不同，所以其提供的positive label数量也应该是不同的，如何确定每个gt的正样本数 k 值呢，论文提供了一个简单的方案，该方法称之为：Dynamic k Estimation，具体做法如下：从前面的pair_wise_ious中，给每个目标框，挑选。
YOLOX: Exceeding YOLO Series in 2021 论文阅读笔记
浅浅记录一下吧。
11-10 4773
YOLOX: Exceeding YOLO Series in 2021 这是一篇由旷视科技提出的2021超越YOLO系列的论文:YOLOX 出处：CVPR 2021 摘要 文章介绍了 YOLO 系列的一些经验改进，形成了一个新的高性能探测器——YOLOX： anchor-free（无anchor） decoupled head（解耦头） label assignment strategy SimOTA（标签分配策略，基于作者的另一篇论文：Zheng Ge, Songtao Liu, Zeming Li
《YOLOX: Exceeding YOLO Series in 2021》阅读
qq_40269350的博客
08-15 1315
文章下载： YOLOX-Exceeding YOLO Series in 2021.pdf 摘要 本篇文章中，我们展示了在 YOLO 系列检测器上的改进，并获得了一个高性能的目标检测器 —— YOLOX。我们将 YOLO 检测器转换为了一种无锚框的形式，并加入了其他一些先进的检测技术，比如 decoupled head 网络头解耦 以及 leading label assignment srategy SimOTA 标签分配策略，在大多数模型上都取得了目前最好的效果：在 YOLO-Nano 模型上，.
YOLOX Exceeding YOLO Series in 2021
qq_46539177的博客
11-09 269
随着目标检测的发展，YOLO 系列始终追求实时应用的最佳速度和精度权衡。它们采用了当时可用的最先进的检测技术（例如， 用于 YOLOv2 的锚点框，YOLOv3的残差网络 ）并优化实现以实现最佳实践。目前，YOLOv5在 COCO 上以 13.7 ms 的 48.2% AP 保持最佳权衡性能。尽管如此，在过去的两年中，目标检测学术界的主要进展集中在无锚框检测器、高级标签分配策略和端到端（无 NMS）检测器。
【论文】YOLOX： Exceeding YOLO Series in 2021
糯米丸子TAT的博客
11-10 469
1. 引言 近两年，大多数算法聚焦于anchor-free的检测器、先进的标签分配策略以及端对端（无NMS）的检测。本文旨在通过经验性的改进将这些技术应用在YOLO算法上。 以YOLOv3 （YOLOv3-SPP）为起点，进行对比实验 2. YOLOX 2.1 YOLOX-DarkNet53 （1）基准模型YOLOv3-DarkNet53 与原始设置相比，增加了EMA权重更新，cosine 学习率，IoU损失和IoU-aware 分支。 只进行了随机水平翻转、colorJitter，以及多尺
【论文解读】​YOLOX: Exceeding YOLO Series in 2021
AI公园
07-27 623
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读旷视团队对YOLO系列的再一次超越。论文链接：后台发送“yolox”获取论文链接。1. YOLOX1.1 YOLOX-Dark...
YOLOX: Exceeding YOLO Series in 2021论文阅读
Q1u1NG的博客
07-20 1466
YOLOX: Exceeding YOLO Series in 2021论文阅读YOLOv3 baseline调整训练策略数据增强ImprovementDecouple HeadStrong data augmentationAnchor-freeMulti positiveSimOTAEnd-to-End YOLOOther BackbonesYOLOv5Tiny/Nano 检测器Model size和data augmentationSOTA比较 paper：https://arxiv.org/pdf/
[论文翻译]YOLOX: Exceeding YOLO Series in 2021
weixin_44403853的博客
08-20 1362
YOLOX：2021超越YOLO系列 摘要 本报告中，我们对YOLO系列进行了一些有经验的改进，构成了一个新的高性能检测器——YOLOX。我们将YOLO检测器变成无锚模式，并实施了一些其他先进检测技术，即，一个解耦头和引导标签分配策略SimOTA在大尺度范围模型中达到SOTA结果：对于仅有0.91M参数和1.08FLOPs的YOLONano，我们在COCO上达到25.3%AP，超越NanoDet1.8%AP。对于YOLOv3，工业上使用最广泛的检测器之一，我们在COCO上将其提升到47.3%AP，比当前最佳
学习经验分享之二：YOLOX: Exceeding YOLO Series in 2021
m0_70388905的博客
06-10 622
论文地址： https://arxiv.org/pdf/2107.08430.pdf 代码地址： https://github.com/Megvii-BaseDetection/YOLOXYOLOX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。
yolox：exceeding yolo series in 2021
liguandong
12-29 2398
深入浅出Yolo系列之Yolox核心基础完整讲解 - 知乎在Yolov4、Yolov5刚出来时，大白就写过关于Yolov3、Yolov4、Yolov5的文章，并且做了一些讲解的视频，反响都还不错。 而从 2015年的Yolov1，2016年Yolov2，2018年的Yolov3，再到2020年的Yolov4、Yolov5，Yolo系列也…https://zhuanlan.zhihu.com/p/397993315如何评价旷视开源的YOLOX，效果超过YOLOv5? - 知乎https://www.zhihu
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值