Skip to content

Latest commit

 

History

History
100 lines (75 loc) · 3.38 KB

YOLOX.md

File metadata and controls

100 lines (75 loc) · 3.38 KB
Raw

代码测试

  • notes: yolox测试，速度与yolov5相比没有优势，主要是由于添加了解耦的head，只是精度比yolov5高， tiny和nano版本确实gpu占用率比较小，但是速度也没有明显优势； 代码的话比较模块化，之后有空可以看看
  • 使用yolox-nano训练新数据，416x416size,转trt之后大概2.3ms左右，占gpu利用率7%(640也是一样), 转trt之前是8/9ms左右，gpu占用率为12%

YOLOv3 baseline

在DarkNet53+SPP的结构基础上(YOLOv3+SPP)：

调整训练策略

  • EMA
  • 余弦退火
  • IoU loss
  • IoU-aware分支
  • cls和obj使用BCE loss

数据增强

  • RandomHorizontalFlip
  • ColorJitter
  • multi-scale

Improvement

Decouple Head

将检测头的分类与定位解耦，分开。 解耦结构对比图如图2所示。 ！图2

  1. 提升收敛速度，如图3所示 图3
  2. 解耦对于end-to-end YOLO是有必要的，如表1所示 表1

使用两个并行的3x3的conv分支，在V100上，batchsize=1： 解耦的检测头会带来1.1ms的额外推理耗时 (11.6 ms vs 10.5 ms)

Strong data augmentation

  • Mosaic
  • Mixup 在训练的最后15个epoch关闭mosaic和mixup； 且由于使用的更强的数据增强，所有模型都从头开始训练；

Anchor-free

  1. anchor-based方法的问题
    • anchor-based方法是domain-specific的，泛化性更差
    • anchor机制会增加检测头的计算量
  2. 添加anchor-free
    • 将每个location的预测从3减少到1，直接预测四个值（左上角-宽高）
    • 与FCOS一样，选择目标中心的一个范围的区域为正样本
    • 按照FPN尺度分类样本

这些改进减少了参数和GFLOPs，提高了检测器的速度，且拥有更高的精度，如表2所示 表2

Multi positive

为了和YOLOv3保持标签分配的规则一致，上述的anchor-free改进，每个目标仅仅选择了一个正样本；

和FCOS的center sample一样，选取目标中心点的一个范围作为正样本，3x3的范围，实现了更好的精度，如表2

SimOTA

OTA

  1. loss/quality aware
  2. center prior
  3. 为每个GT选择动态数量的anchors(动态的top k)
  4. global view

OTA虽然效果很好，但是使用Sinkhorn-Knopp算法会带来25%额外的训练时间，所以作者提出SimOTA，SimOTA就是OTA的简化版，动态的选择top k策略，得到一个近似解；

SimOTA不仅减少了训练时间，而且避免了OTA中Sinkhorn-Knopp算法额外的超参数； 结果如图2所示

End-to-End YOLO

按照PSS的做法，添加了两个额外的卷积层，one-label-one 标签分配，stop gradient； 由于降低了模型的精度，所以End-to-End YOLO是作为一个可选择的选项；

Other Backbones

YOLOv5

采用了YOLOv5的backbone，激活函数，和neck，相同的模型缩放规则，得到了YOLOX-S，YOLOX-M，YOLOX-L，YOLOX-X模型 表3

Tiny/Nano 检测器

YOLOX的模型size更小精度更高 表4

Model size和data augmentation

  • 较小的模型使用更弱的数据增强
  • 较大的模型使用更强的数据增强

表5

SOTA比较

表6