YOLOX实战使用技巧

原创 已于 2022-02-28 11:37:16 修改 · 2k 阅读 · 1 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
标签
#YOLOX 输入改成矩形
于 2022-02-24 14:19:55 首次发布
本文探讨了YOLOX模型在训练过程中的输入尺寸调整，包括如何从原始的正方形输入改为矩形输入，以及由此带来的影响。作者指出，实际缩放范围在480到800像素之间，并且考虑到图片比例，提出了新的随机尺寸设置。同时，针对mosaic操作的取消，作者提出了纵向拼接的设想，以保持训练效果。内容涵盖了模型优化、图像处理和目标检测领域的实践策略。

YOLOX 输入改成矩形

YOLOX缩放倍数

在docs/manipulate_training_image_size.md 中有提到

the actual multiscale range is [640 - 5*32, 640 + 5\*32], i.e., [480, 800].
[self.random_size[0]\*32, self.random_size[1]\*32], i.e., [320, 640]

而在代码中我们发现yolox计算图片尺寸的时候还会乘图片比例 * (h/w)

所以我们修改了

self.input_size = (160, 640)

后需要修改self.random_size 或者 self.multiscale_range 使得缩放后的尺寸在一个合适的范围

self.random_size = (4, 7)   # 4*32*1   7*32*（640/160）----(128,896)

mosaic

该操作是将4张图片进行拼接成一张大图；拼接方式是

所以设置为了矩形640*640；而且去除mosaic操作那么生成的图片就是

可想而知训练效果会更差。

故而我这边提出一种猜想，如果w是h的4倍，那么我们将图片进行纵向拼接

 

【mmyolo学习1】bbox_loss为0、去掉Mosaic增强
qq_31486717的博客
06-29 1846
可能的情况：数据可能出界了数据可能不对应dataset加载时涉及classname与数据集本身不一致这种情况下的评估会提示无am并无预测具体需要统一的位置数据config中的classname与dataset中不一致需要注意的在多层继承config时，在mmyolo中最外层config修改的数据，会出现原继承的config覆盖的情况。【感觉是我自己没写好，多次实验都存在这个问题】
YOLO X 改进详解
leeyns的博客
11-29 2793
YOLO X 的主要改进
yolox详细讲解，包括网络结构图、关键创新点、部署
m0_60827485的博客
04-03 442
YOLOX 的本质，不只是“把 YOLO 改成 anchor-free”，而是用 CSPDarknet + PAFPN 作为主体，再用 decoupled head、multi positives、SimOTA 和强增强，把 YOLO 系列整体推进到一个更现代的一阶段检测框架。这也是它在学术和工业部署里都很有影响力的原因。
yolov5增加iou loss（SIoU,EIoU,WIoU），无痛涨点trick
athrunsunny的博客
02-03 1万+
如果需要应用对应的IoU loss的变体，即可将Focal设置为True，并将对应的IoU也设置为True，如CIoU=True，Focal=True时为Focal-CIoU，此时可以调整gamma，默认设置为0.5。本文将在yolov5的基础上增加SIoU，EIoU，Focal-XIoU（X为C,D,G,E,S等）以及AlphaXIoU。如果想要使用AlphaXIoU，将alpha设置为3同时将对应的IoU也设置为True即可，alpha默认设置为1。先贴一张最近一篇论文的结果。
YOLO Air：YOLO科研改进论文推荐 | 改进组合上千种搭配，包括Backbone,Neck,Head,注意力机制,适用于YOLOv5、YOLOv7、YOLOX等算法
包括YOLOv5、YOLOv7、YOLOv8等模型改进
07-30 3万+
目标检测科研改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
YOLOX实战之自建数据集进行训练
qq_52302919的博客
12-18 2254
一、配置环境 ubuntu20.04 rtx 1080ti cuda 11.2 在配置环境之初由于人习惯，首先创建了一个conda虚拟环境，避免和我之前的环境产生冲突： conda create -n yolox python=3.6 # 创建环境 source activate yolox # 激活环境 创建好环境之后就要对依赖库进行配置 git clone git@github.com:Megvii-BaseDetection/YOLOX.git #拉取yolox官方源
10个TensorRT_Pro实战技巧：加速YoloV5/YoloX/YoloV7推理的终极指南
最新发布
gitblog_00907的博客
05-01 783
TensorRT_Pro是一个基于TensorRT集成的C++库，专为深度学习模型推理加速设计。本文将分享10个实用技巧，帮助你充分利用TensorRT_Pro加速YoloV5、YoloX和YoloV7等目标检测模型的推理过程，提升应用性能。 ## 1. 快速入门：环境配置与安装 要开始使用TensorRT_Pro，首先需要正确配置环境并安装库。推荐使用以下命令克隆仓库： ``` git c
MMDetection实战：从DAB-DETR到YOLOX的调试技巧与避坑指南
weixin_29047545的博客
03-03 158
本文分享了在MMDetection框架下调试DAB-DETR与YOLOX等前沿目标检测模型的实战经验。内容涵盖环境配置、数据集适配、关键参数调整（如DAB-DETR的num_classes设置）以及通用调试技巧（如resume断点训练），旨在帮助开发者高效避坑，实现模型快速收敛与性能优化。
YOLO X Layout提示与技巧：提升文档识别准确率的方法
weixin_34598113的博客
02-09 329
本文介绍了如何在星图GPU平台上自动化部署yolo_x_layout文档理解模型镜像，高效实现扫描件与PDF截图的结构化解析。通过平台一键部署，用户可快速开展合同、财报等文档的标题、表格、页眉页脚等11类区域识别，显著提升文档数字化处理效率。
YOLOV5的代码和改进学习
beautymonkey_的博客
10-19 1508
YOLOV5的代码和改进学习 代码和基础知识 https://zhuanlan.zhihu.com/p/172121380 共3篇 包括具体的改进方法和代码 https://blog.csdn.net/weixin_44119362/article/details/120319656 yolox的方法 https://zhuanlan.zhihu.com/p/393955749
面试问些啥？
xiaotiig的博客
12-15 2898
面试问题1 自我介绍1.1 先来几句自我介绍1.2 项目经验2 技术2.1 深度学习的各种模型2.2 深度学习的各种技巧2.2.1 调参技巧2.2.2 各种函数等2.3 深度学习前沿2.3.1 YOLOX2.3.2 Transfomer2.3.3 注意力模型2.3.4 模型剪枝蒸馏2.3.5 模型部署2.4 实战2.4.1 人脸识别2.4.2 OCR3 编程算法（最难最重要）3.1 基本数据结构的算法3.1.1 树3.1.2 图3.1.3 几种排序查找算法3.2 算法题3.2.1 递归3.2.2 动态规划3
python语法
weixin_43848456的博客
12-12 351
说明：这只是学习记录，防止忘记。 python语法一、类内部方法调用二、assert2.1 基本用法：抛出异常2.2 未抛出异常(通过)三、strip()3.1 语法形式3.2 例子 一、类内部方法调用 class Pic: height=None width=None Model="矩形" #类变量，被所有学生实例共有 def __init__(self,height,width): self.height=height self.widt
YOLO X Layout实战教程：结合PaddleOCR/PDFPlumber构建端到端文档理解流水线
weixin_42601134的博客
02-15 275
本文介绍了如何在星图GPU平台上自动化部署yolo_x_layout文档理解模型镜像，实现扫描PDF或图片的智能版面分析。该模型可精准识别文本、表格、标题等11类文档元素，典型应用于财务报表结构化解析、合同关键区域定位等场景，显著提升OCR前处理效率与文档理解准确性。
YOLOX推理系列4-使用YOLOX训练自己的数据集
yinqinggong的博客
12-08 1万+
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码
目标检测: 一文读懂 YOLOX
weixin_46142822的博客
04-10 3万+
论文：YOLOX: Exceeding YOLO Series in 2021 论文链接：https://arxiv.org/pdf/2107.08430.pdf 代码链接：https://github.com/Megvii-BaseDetection/YOLOX. 文章目录1 为什么提出YOLOX2 YOLOX 网络架构3 YOLOX 实施细节3.1 backbone3.2 neck3.3 Head3.3.1 Decoupled Head3.3.2 Anchor-free3.4 如何计算Loss3.5 如
YOLO X Layout实战案例：OCR前处理关键环节——版面分析精度提升92%
weixin_33562004的博客
02-03 326
本文介绍了如何在星图GPU平台上自动化部署yolo_x_layout文档理解模型镜像，高效完成OCR前处理中的版面分析任务。该模型可精准识别标题、表格、图片、公式等11类文档元素，显著提升下游OCR结构化识别准确率，典型应用于医疗报告、法律合同等复杂扫描文档的智能解析。
【Make YOLO Great Again】YOLOv1-v7全系列大解析（Tricks篇）
Rocky Ding相信人工智能、数据科学、商业逻辑、金融工具、终身成长以及顺应时代的潮流会赋予我们超能力。
11-13 1198
YOLOv1-v7 Tricks解析，包含全系列网络完整版结构图。
YOLOX 环境搭建 | 测试 | COCO训练复现 【YOLOX 实战】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
08-25 8480
只有实战，不讲理论 文章目录认识 YOLOX环境搭建测试单图CPU测试单图GPU测试video GPU测试Reproduce our results on COCO 【结果复现】COCO数据集安置vim tools/train.py 查看关键参数配置训练命令训练输出训练 10 个 epoch 统计训练时长 认识 YOLOX https://github.com/Megvii-BaseDetection/YOLOX YOLOX: Exceeding YOLO Series in 2021 – 当前论.
YOLOX目标检测之入门实战-win10+cpu运行YOLOX
热门推荐
10-24 11万+
发布时间：2022-10-20 点击数：38YOLOX 是旷视开源的高性能检测器。旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙的集成组合，提出了 YOLOX，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。前言： 不少开发者对 YOLOX 很感兴趣 ， 希望在自己的笔记本安装测试，哪怕速度慢一些， 但笔记本一般都没有配置带CUDA 核心的GPU。
mmdetection竞赛经验分享：模型选型与训练策略全攻略
gitblog_00980的博客
03-13 663
在计算机视觉竞赛中，高效的物体检测模型是赢得比赛的关键。mmdetection作为基于PyTorch的开源物体检测库，提供了丰富的算法实现和灵活的配置系统，帮助开发者快速构建高性能检测模型。本文将分享mmdetection在竞赛中的模型选型技巧和训练策略优化方法，助你在比赛中脱颖而出。 ## 一、模型选型：从需求出发选择最佳架构 ### 1.1 基于任务特性的模型选择 不同竞赛任务对模型有不
评论 1
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