YoloX训练VOC数据集（自用）自己运行踩坑，在windows系统运行

本文链接：https://blog.youkuaiyun.com/canpian7/article/details/123608163

该博客详细介绍了YOLOX目标检测模型在Windows和Linux环境下的安装步骤，包括安装依赖、Apex库、Py Cocotools以及训练和测试模型的过程。提供了训练配置参数示例，并给出了训练和评估命令，适用于GPU资源有限的情况。文章还强调了在Linux环境下需使用绝对路径进行训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.安装环境

windows环境可以将用来检测，不建议训练。
（1）安装依赖环境

pip3 install -r requirements.txt -i https://pypi.douban.com/simple/

（2）通过setup.py安装一些库文件

python setup.py develop

（3）下载apex文件

git clone https://github.com/NVIDIA/apex.git

将下载好的文件解压到项目根目录下

cd apex

pip install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" .

（4）下载pycocotools
网上搜教程

linux环境中

为了性能和完整的功能，建议通过CUDA和c++扩展来安装Apex
 
$ git clone https://github.com/NVIDIA/apex
$ cd apex
$ pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
 
Apex 同样支持 Python-only build (required with Pytorch 0.4) via
 
$ pip install -v --no-cache-dir ./

2.测试tools/demo.py

环境搭建好后，下载官方的预训练模型
https://github.com/Megvii-BaseDetection/YOLOX.git

预训练权重的下载链接，在官方代码的说明中。
在这里插入图片描述
将下载好的yolox_s.pth放在根目录下的weights里面

测试运行

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 --device gpu

可能会报这个错误
解决方法：https://blog.youkuaiyun.com/canpian7/article/details/123608063?spm=1001.2014.3001.5502
显示如下就表示测试成功，此时的环境也没什么问题，接下来就可以进行训练。
在这里插入图片描述
YOLOX的代码中，会新建一个YOLOX_outputs文件夹，在其中的yolox_s/vis_res/，可以看到带有检测效果的图片。

效果图

3.训练tools/train.py（以VOC2007为例）

在这里插入图片描述
可以将voc2007直接放在datasets文件夹里面

4.进行训练

修改exps/example/yolox_voc/yolox_voc_s.py文件内容如下：
在这里插入图片描述

训练

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 2 --fp16 -o -c weights/yolox_s.pth

-d 使用多少张显卡训练
-b 批次大小
-fp16 是否开启半精度训练
-c 权重文件

我的显存不够
在这里插入图片描述
可以跑通

注意使用linux进行训练的时候需要将相对路径改成绝对路径。
有路径的都需要改

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 2 --fp16 -o -c weights/yolox_s.pth

预测

训练完毕之后可以查看得到的权重文件的mAP

python tools/eval.py -f exps/example/yolox_voc/yolox_voc_s.py -c <best_ckpt.pth.tar的路径> -d 0 -b 8 --conf 0.001 --fp16 --fuse

检测图片效果

python3 tools/demo.py image -n yolox-nano -c YOLOX_outputs/yolox_voc_s/best_ckpt.pth.tar --path <图片路径> --conf 0.3 --nms 0.5 --tsize 640 --save_result