解读YOLOX: Exceeding YOLO Series in 2021
source link: https://bbs.cvmart.net/articles/5183
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
1. YOLOX
1.1 YOLOX-DarkNet53
YOLOv3 baseline 以Darknet53作为Baseline，给大家介绍如何一步一步过渡到现在的YOLOX-DarkNet53。YOLOv3是以Darknet53为主干，后面再加上SPP。我们对训练策略进行了一些修改，增加了EMA weights updating，余弦学习率，IoU损失，以及IoU-aware分支，在训练分类和objectness的分支中，我们使用了BCE loss。在数据增强方面，我们只使用了水平翻转，颜色抖动和多尺度。Decoupled head 在目标检测中，分类和回归的任务是有相互冲突的，这是个普遍认可的问题。因此，一般会将分类和回归分开2个分支，但是在YOLO系列中，仍然是没有分开的。这里，我们将耦合的检测头分开，变为2个相互独立的检测分支。具体如下图：
Strong data augmentation 在数据增强中，我们使用了Mosaic和Mix up的增强策略，使用了这些增强策略之后，我发现预训练模型已经没有必要了，因此后面所有的训练都是从头训练的。
Anchor-free 将YOLO转换为anchor free其实很简单，我们将每个空间位置的输出由3减少到1，直接输出4个值，即左上角点的两个偏差值，以及宽和高。对于每个目标，其中心点位置所在的区域即为正样本，并预先定义一个尺度范围，将每个目标分配到不同的FPN层上。Multi positives 上面提到的anchor free的正样本选择策略，对于每个目标只选择了1个正样本，这样会忽略掉其他的高质量的预测，使用这些高质量的预测对于梯度是有好处的，而且样本的不均衡性也会减少一些。这里，我们简单的使用了中心点3x3的区域，都作为正样本。SimOTA 对于标签的分配，我们总结了4个关键点：1）损失/质量相关性 2）中心优先 3）每个GT的正样本anchor点的动态数量 4）全局视角。我们使用OTA作为候选的标签匹配策略。然后对OTA进行了修改，提出了SimOTA。首先，计算每个prediction-gt对的匹配度，用损失和质量来表示，这里，在SimOTA中，使用损失来表示：
其中，λ是平衡系数，然后，对于一个gt，用gi来表示，我们选择在一个固定的中心区域内，topk个具有最小的cost的预测来作为正样本，最后，这些正样本所在的grid也被分配为正样本，其他的grid是负样本，注意，对于不同的gt，k是不一样的。
End-to-end YOLO 我们增加了2个额外的卷积层，进行一对一的标签分配，不需要梯度。这使得检测器可以端到端的运行，这个略微降低了性能和速度。所以作为可选项。具体的各种修改的效果如下：
1.2 其他的backbone
我们还测试了其他的主干。Modified CSPNet in YOLOv5
Tiny and Nano detectors
Model size and data augmentation
2. 和其他的SOTA的对比
论文链接：提示：此内容登录后可查看
相关推荐：
吊打一切现有版本的 YOLO！旷视重磅开源 YOLOX：新一代目标检测性能速度担当
YOLO 算法最全综述：从 YOLOv1 到 YOLOv5
技术讨论
1
0
1779
有用
Recommend
-
12
YOLOX是最好的YOLO物体探测器，设计更简单 fendouai...
-
18
Introduction YOLOX is an anchor-free version of YOLO, with a simpler design but better performance! It aims to bridge the gap between research and industrial communities. For more details, please refer to our
-
8
在本文中，我们将对YOLO系列的新型高性能探测器YOLOX进行一些改进。 1_什么是YOLO？ 首先，让我们简要解释一下YOLO算法的基本逻辑。你只看一次(YOLO)是一个实时的物体检测系统。YOLO算法与其他目标检测算法的主要区别在于，由于其速度快，能够...
-
14
请注意，这篇文章是给我未来的自己回顾和回顾这篇论文上的材料，而不是从头再看一遍。…。在我们拥有的所有不同版本的Yolo中，从我的角度来看，在Yolov3之后，YoloX在所有方面都有最大的改进。随着我们意识到Yolo的流行，它立即成为对象检测的流行工...
-
11
Tesla ‘driverless’ crash victim had alcohol level exceeding legal limit
-
3
On exceeding capacity We completed performance evaluations in January, and one of the conversations I’ve been having with my team members is, “what can you do to be a star in 2017?” It’s an important discussion to have, for a co...
-
3
way0utwest ?️ (He/Him/His) on Twitter: "So far solar production is exceeding estimates. This is with a couple zero prod and a few Don’t miss what’s happeningPeople on Twitter are the first to know.
-
8
Sunspot Activity On the Sun Is Seriously Exceeding Official Predictions Want to read Slashdot from your mobile device? Point it at m.slashdot.org and keep reading!...
-
14
最近用 yolox 的发现了一个很神奇的现象，简而言之 yolox-tiny 在单目标检测的效果比 yolox-small 好上很多（3.2mAP%），且 yolox-small 能大幅提升检测精度的方法到了 yolox-tiny 也不起作用了。网上很多...
-
8
YOLOX-PAI: 加速 YOLOX, 比 YOLOV6 更快更强 精选 原创 阿里云大数据AI技术 2022-...
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK