YOLOX

最新推荐文章于 2024-04-21 20:53:23 发布

model2005

最新推荐文章于 2024-04-21 20:53:23 发布

阅读量3.1k

点赞数

CC 4.0 BY-SA版权

分类专栏： yolov5 目标检测文章标签：计算机视觉目标检测人工智能

本文链接：https://blog.youkuaiyun.com/model2005/article/details/122620605

目标检测同时被 2 个专栏收录

13 篇文章

订阅专栏

yolov5

11 篇文章

订阅专栏

本文介绍如何安装及使用旷视科技的YoloX目标检测模型，包括从源代码安装YOLOX、在COCO数据集上复现结果、以及使用预训练模型进行图像和视频的目标检测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

旷视科技的yolox号称最好的yolo

paper: https://arxiv.org/abs/2107.08430

code: https://github.com/Megvii-BaseDetection/YOLOX

安装

Step1. Install YOLOX from source.

git clone git@github.com:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -v -e .  # or  python3 setup.py develop

训练

Reproduce our results on COCO

Step1. Prepare COCO dataset

cd <YOLOX_HOME>
ln -s /path/to/your/COCO ./datasets/COCO

Step2. Reproduce our results on COCO by specifying -n:

python -m yolox.tools.train -n yolox-s -d 8 -b 64 --fp16 -o [--cache]
                               yolox-m
                               yolox-l
                               yolox-x

-d: number of gpu devices
-b: total batch size, the recommended number for -b is num-gpu * 8
--fp16: mixed precision training
--cache: caching imgs into RAM to accelarate training, which need large system RAM.

When using -f, the above commands are equivalent to:

python -m yolox.tools.train -f exps/default/yolox_s.py -d 8 -b 64 --fp16 -o [--cache]
                               exps/default/yolox_m.py
                               exps/default/yolox_l.py
                               exps/default/yolox_x.py

检测

Step1. Download a pretrained model from the benchmark table.

Step2. Use either -n or -f to specify your detector's config. For example:

python tools/demo.py image -n yolox-s -c /path/to/your/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]

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

Demo for video:

python tools/demo.py video -n yolox-s -c /path/to/your/yolox_s.pth --path /path/to/your/video --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]