YOLOX训练（实现）（COCO：coco数据集）最新最全教程

YOLOX实现

1、YOLOX代码环境搭建：

1.1 下载YoloX代码并安装YOLOX

YOLOX的github链接

复制红框的链接

在linux系统中clone复制的链接：git clone https://github.com/Megvii-BaseDetection/YOLOX.git

（1）新建一个Canda环境

输入命令：conda create -n Yolox python=3.7

（2）进入Conda环境

输入命令：conda activate Yolox，进入Conda环境中，并到下载好的YOLOX文件夹下（cd /_/YOLOX）

（3）安装代码依赖的库文件

输入命令：pip3 install -U pip && pip3 install -r requirements.txt

（4）通过setup.py安装一些库文件

输入命令：python3 setup.py develop

（5）下载pycocotools

输入命令：pip3 install cython

再输入命令：
pip3 install 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

2、Demo测试

搭建好环境后，就可以下载官方的预训练模型，对图片进行测试了。

预训练权重的下载链接，在官方代码的说明中。

以下用Yolox_s.pth文件为例

下载好yolox_s.pth后，放到YOLOX代码的文件夹下：

使用代码中自带的图片，进行Demo测试。在YOLOX文件夹的终端页面输入：

python tools/demo.py image -f exps/default/yolox_s.py -c yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]

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。

到此Yolox的测试环境，以及测试效果都实现了，下面我们再进行Yolox的coco数据集训练。

3、YoloX的coco数据集训练

coco数据集格式：

（注意其他要和图片名字一致，json文件名字还有文件夹train2017和val2017必须叫这个名字，不然还得去源码改比较麻烦）

我的coco数据集路径： /dataset/COCO

修改到自己路径和coco数据集位置对应

找到 YOLOX/yolox/data/datasets/coco.py

原：

改为：

开始训练：

在终端输入：python tools/train.py -f exps/default/yolox_l.py -n yolox-l -b 8