YOLOX: Exceeding YOLO Series in 2021 --- Study Notes

Posted 2021-08-28 songyuc

1 介绍

YOLOX是目前 Paper and Codes – Real-Time Detection Models排名第一的模型，boxAP = 51.2；

2 译读笔记

2.1 摘要

在这篇报告中，我们将会展示关于提升YOLO系列模型精度的一些经验，从而构成一个高性能检测器——YOLOX。我们将YOLO检测器转换为anchor-free的形式，并采用了其他的检测技术，例如：解耦head和标签分配策略SimOTA，在一系列模型上实现了SOTA结果：对于YOLONano，参数量仅为0.91M，FLOPs=1.08G，我们在COCO上获得了25.3%-mAP，超过NanoDet模型1.8%+AP；对于YOLOv3模型，产业界使用最为广泛的模型之一，我们将其在COCO数据集上提升至47.3%-mAP，超过了当前最好实现3.0%+AP；对于YOLOX-L，此模型与YOLOv4-CSP和YOLOv5-L参数量相当，我们在COCO上实现了50.0%-mAP，其速度为68.9-FPS，显卡为Tesla-V100，超过YOLOv5-L模型1.8%+AP。不仅如此，我们在 Streaming Perception Challenge（Workshop on Autonomous Driving at CVPR 2021）比赛上使用YOLOX-L模型（单模）获得了第一名。我们希望此次报告可以为开发者和研究者在实际场景的应用中提供有益的经验，我们也提供了此模型的部署版本，支持ONNX、TensorRT、NCNN和Openvino平台。源代码位于https://github.com/Megvii-BaseDetection/YOLOX。

3 实现

3.1 Good Techniques

AMP训练——加快训练速度

参考https://github.com/Megvii-BaseDetection/YOLOX/blob/96b74a504f183801dc4831931930b821fbe9d95d/yolox/core/trainer.py#L101-L103

if self.amp_training:
	with amp.scale_loss(loss, self.optimizer) as scaled_loss:
	    scaled_loss.backward()