YOLOX目标检测算法笔记

YOLOX目标检测算法笔记

一、目标检测基础知识

1. 目标检测—常用数据集

   以这两种数据集比赛的推广，以此产生了对目标检测算法评价的一些类评价标准（AP/mAP），对不同工程师所训练出的模型有着较好且权威的评价指标

   

   

2. 目标检测—性能指标

   

   loU与Precision，Recall与AP，mAP的关系：

   https://blog.csdn.net/qq_36523492/article/details/108469465

二、环境的安装

（参考：https://blog.csdn.net/qq_44442727/article/details/119923070）

1. 下载与安装Nvidia显卡驱动

NVIDIA 驱动下载：https://www.nvidia.cn/Download/index.aspx?lang=cn
下载对应你的英伟达显卡驱动。

2. 下载并安装CUDA

   如果你知道所需安装的环境的CUDA版本，可以根据cuda去找合适的显卡驱动，CUDA与显卡驱动对应关系如下：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html#title-resolved-issues

   

   

3. 下载并安装cuDNN

   

   安装成功：

   

4. 安装Anaconda

   配置Anaconda国内镜像

   

5. 安装pytorch

   查看Anaconda中安装的python版本(注意是在Anaconda的小黑窗，而不是Windows)

   

   创建虚拟环境mypytorch

   conda create -n mypytorch python=3.8
   

   激活虚拟环境

   conda activate mypytorch
   

   

   在所创建的mypytorch环境下安装pytorch, 执行命令：

   conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
   

   

   三、克隆与安装YOLOX

   1. 从GitHub上克隆YOLOX

      https://blog.csdn.net/t18438605018/article/details/123600432?spm=1001.2101.3001.6650.6&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-6-123600432-blog-124913407.pc_relevant_antiscanv3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-6-123600432-blog-124913407.pc_relevant_antiscanv3&utm_relevant_index=9

      (建议开代理服务器进行clone)

   

   

   

   python setup.py develop
   

   

   2. 安装pycocotools：

   在base环境下存在cython，但在虚拟环境mypytorch环境下无法安装cython(以为虚拟环境中已经由cython)

   https://blog.csdn.net/HUAI_BI_TONG/article/details/121742941

   pip install cython
   

   

   cd pycocotools/PythonAPI
   

   python setup.py install --user
   

   

   最后发现cython在虚拟环境中是没有安装的

   报错原因：虚拟环境与base环境的pip版本不同

   

   

   解决方法：

   https://blog.csdn.net/qq_36622009/article/details/118820577（不使用这种方式可能会导致虚拟环境pip环境变量出现问题）

   若重装pip后版本还是不一致，升级pip（同一时间结点版本相同）

   python -m pip install --upgrade pip
   

   注意：

   (1)pip无论在什么路径，安装到的路径默认都是https://blog.csdn.net/Gabriel_wei/article/details/108495843?utm_term=pip%E5%AE%89%E8%A3%85%E9%83%BD%E5%AE%89%E8%A3%85%E5%88%B0%E4%BA%86%E5%93%AA%E9%87%8C&utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2_allsobaiduweb~default-1-108495843-null-null&spm=3001.4430

   (2)虚拟环境在anaconda位置(不同环境下所安装的内容是不同的，例如base与虚拟环境lib包下是不一样的)

安装成功：

3. 测试YOLOX：

   在YOLOX目录下创建weights文件夹，并将权重文件导入

   

python tools/demo.py image -f exps/default/yolox_s.py -c weights/yolox_s.pth --path assets/dog.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result

疑问：

(1)不同权重文件识别出来的效果不同,权重文件的作用？

(2)为什么没有经过训练，却能够正确识别出？

查看各类配置后发现其实YOLOX种内置训练了20种类别的物体，故能够识别

四、数据集的标注

1. 从GitHub上下载labelImg

   git clone https://github.com/tzutalin/labelImg E:\AI\lableImg
   

2. 启动lableImg

   python labelImg.py
   

   

   注意：

   这是在base的环境下安装的lableImg，后续启动lableImg只能在base环境下启动

六、训练模型

https://blog.csdn.net/weixin_43720225/article/details/124271531

1. 训练命令

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 16 --fp16 -o -c weights/yolox_s.pth

训练时遇到的错误：

查看了相关资料后：发现问题出在安装的pytorch是CPU版本的

https://blog.csdn.net/xiangduixuexi/article/details/107580108

查看pytorch是CPU版还是GPU版方法：

https://blog.csdn.net/m0_46653437/article/details/109575389?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-109575389-blog-122806037.pc_relevant_paycolumn_v3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-109575389-blog-122806037.pc_relevant_paycolumn_v3

https://blog.csdn.net/xinjieyuan/article/details/105100015?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2_{aggregatepage}first_rank_ecpm_v1~rank_v31_ecpm-2-105100015-null-null.pc_agg_new_rank&utm_term=%E6%80%8E%E4%B9%88%E7%9C%8B%E5%AE%89%E8%A3%85%E7%9A%84pytorch%E6%98%AFcpu%E8%BF%98%E6%98%AFGPU&spm=1000.2123.3001.4430

解决方案：

https://blog.csdn.net/qq_36918406/article/details/123849978?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2_{aggregatepage}first_rank_ecpm_v1~rank_v31_ecpm-2-123849978-null-null.pc_agg_new_rank&utm_term=%E5%AE%89%E8%A3%85gpu%E7%9A%84pytorch%E4%B9%8B%E5%89%8D%E8%A6%81%E5%8D%B8%E8%BD%BDcpu%E7%89%88%E6%9C%AC%E7%9A%84pytorch%E5%90%97&spm=1000.2123.3001.4430

https://blog.csdn.net/weixin_43094275/article/details/107393385

还是错误，最终为了防止不必要的麻烦，先卸载CPU版的pytorch，后用pip安装GPU版的pytorch

pip install torch==1.10.2+cu102 torchvision==0.11.2+cu102 torchaudio===0.10.1+cu102 -f https://download.pytorch.org/whl/torch_stable.html

卸载后用conda list命令发现还是存在pytorch的内容

https://blog.csdn.net/qq_43550820/article/details/123708474?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1-123708474-blog-123685177.pc_relevant_multi_platform_whitelistv1&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1-123708474-blog-123685177.pc_relevant_multi_platform_whitelistv1

但pytorch官网又没有下载连接

最后采用离线安装

https://blog.csdn.net/weixin_45800887/article/details/123632809

https://blog.csdn.net/HuangJM3/article/details/123685177?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2_{aggregatepage}first_rank_ecpm_v1~rank_v31_ecpm-1-123685177-null-null.pc_agg_new_rank&utm_term=%E5%AE%89%E8%A3%85gpu%E7%9A%84pytorch%E4%B9%8B%E5%89%8D%E8%A6%81%E5%8D%B8%E8%BD%BDcpu%E7%89%88%E6%9C%AC%E7%9A%84pytorch%E5%90%97&spm=1000.2123.3001.4430

https://blog.csdn.net/qq_42249466/article/details/121771957?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1-121771957-blog-124276134.pc_relevant_downloadblacklistv1&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1-121771957-blog-124276134.pc_relevant_downloadblacklistv1

离线包下载地址：

https://download.pytorch.org/whl/torch_stable.html（需挂代理下载，要不然速度很慢）

https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/

pip安装的是否因为开了代理服务器，没法安装离线的pytorch包

https://blog.csdn.net/Ljh0408abc/article/details/123600526

在离线安装过程中遇到pytorch与YOLOX版本不兼容

https://blog.csdn.net/weixin_45800887/article/details/123632809

最终选用pytorch的版本：

out of memory:

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4  -c weights/yolox_s.pth

https://blog.csdn.net/universe_R/article/details/124551674

https://blog.csdn.net/qq_40846862/article/details/123961601

更改了batch-size（https://blog.csdn.net/qq_34886403/article/details/82558399）也没什么用

YOLOX batch-size修改：https://blog.csdn.net/qq_40716944/article/details/120409457

https://segmentfault.com/a/1190000041948886?sort=newest

解决方案：

输入这个训练命令：

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s_bm.py -d 1 -b 4  -c weights/yolox_s.pth

页面文件太小，无法完成操作（zlt博客有这个错误）

解决方案：

在./yolox/exp目录下，修改yolox_base.py文件：将27行的self.data_num_workers改成0，然后再来输入这个训练命令：

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s_bm.py -d 1 -b 4  -c weights/yolox_s.pth

训练完成：

2. Tensorboard可视化时报错：

pkg_resources.DistributionNotFound: The ‘requests<3,>=2.21.0’ distribution was not found and is required by tensorboard

参考：https://blog.csdn.net/m0_65465147/article/details/123741382

解决方案：pip install tensorboard

用TensorBorad所画出的图像

产生疑问：不是以POSCAL VOC格式的图片训练，为什么能够得出COCO数据集评价标准的结果，而不是POSCAL数据集评价标准的结果？

—回顾：

在目标检测—常用数据集中说到COCO数据集的评价标准最为流行，而POSCAL的评价标准现在不是很流行。

在目标检测—性能指标中说到COCO数据集与POSCAL数据集的评判标准区别在于AP与mAP的计算公式是不同的

在修改配置文件中提到修改COCO数据集与POSCAL VOC数据集类别内容

且在查看了一些blog后

https://blog.csdn.net/hxxjxw/article/details/107056770

https://blog.csdn.net/weixin_30609287/article/details/94909238?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-94909238-blog-107056770.pc_relevant_antiscanv3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-94909238-blog-107056770.pc_relevant_antiscanv3&utm_relevant_index=2

https://blog.csdn.net/weixin_43804047/article/details/120433479

https://blog.csdn.net/threestooegs/article/details/119456267

猜测：

YOLOX中源码基于COCO的评价标准进行计算AP、mAP等，而不是基于POSCAL来计算，故TensorBoard画出的图是COCO的结果（？？？但当时修改voc_classes.py，感觉可能也以POSCAL计算了）

（后续验证还需要查看源码才能得知）

https://zhuanlan.zhihu.com/p/411045300?utm_medium=social&utm_oi=1041645338595196928

3. 训练结果的查看

   在所训练的300代记录中，我们可以得到按照COCO数据集判断标准下数据最优（即识别效果最好）的权重文件作为模型识别预测的权重文件，对样品进行识别。

   

   一开始在安装测试这是利用官方提供的预训练权重文件进行试预测

   

   训练与测试都需要权重

七、测试训练出的网络模型

python tools/demo.py image -f exps/example/yolox_voc/yolox_voc_s.py -c YOLOX_outputs/yolox_voc_s/best_ckpt.pth --path testfiles/img1.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

对比：

https://blog.csdn.net/Yong_Qi2015/article/details/119122229