目标检测笔记(十五): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）-Toy模板网

这篇具有很好参考价值的文章主要介绍了目标检测笔记(十五): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、目标检测介绍

目标检测（Object Detection）是计算机视觉领域的一项重要技术，旨在识别图像或视频中的特定目标并确定其位置。通过训练深度学习模型，如卷积神经网络（CNN），可以实现对各种目标的精确检测。常见的目标检测任务包括：人脸检测、行人检测、车辆检测等。目标检测在安防监控、自动驾驶、智能零售等领域具有广泛应用前景。

二、YOLOX介绍

论文链接：YOLOX: Exceeding YOLO Series in 2021

背景：随着物体检测的发展，YOLO系列始终追求实时应用的最佳速度和精度权衡。而且在过去两年中，目标检测学术界的主要进展都集中在无锚检测器、高级标签分配策略和端到端（无 NMS）检测器。而YOLOV4和YOLOV5仍然是基于锚的检测器。由于计算资源的限制导致这些优秀的检测器并不能广泛运用。

创新与贡献：

Backbone。使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；
PAN-FPN。毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块
Decoupled-Head。是不是嗅到了不一样的味道？是的，YOLOv8走向了Decoupled-Head；
Anchor-Free。YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；
损失函数。YOLOv8使用VFL Loss作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；
样本匹配。YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式

三、源码获取

源码：点击
bubbliiiing的代码：点击

四、环境搭建

我这里的环境安装的方式是根据源码安装的，但是我的代码是下载的bubbliiiing的。
第一步：Install YOLOX from source
cd YOLOX
pip install -v -e . # or python setup.py develop

第二步：安装cuda、torch、torchvision重要的环境。参考这个博客

环境	版本
python	3.7.11
cuda	10.1
torch	1.8.0+cu101
torchvision	0.9.0+cu101

第三步：安装之后进入到此环境下的代码主目录，在终端运行

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

4.1 环境检测

下载YOLOX-S：点击
目标检测笔记(十五): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）,# 目标检测,目标检测,笔记,人工智能
下载之后将模型放在下图位置，并修改predict.py路径

然后运行predict.py即可，输入图片路径，将得到下面的结果。目标检测笔记(十五): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）,# 目标检测,目标检测,笔记,人工智能

五、数据集准备

通过labelImg标注图片得到xml和原图，分别放置在这两个文件夹下（labelImg的使用可查看这个博客）
目标检测笔记(十五): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）,# 目标检测,目标检测,笔记,人工智能
这时候就需要将此数据集转换成VOC格式的数据集，方可训练。