目标检测--YoloX

最新推荐文章于 2025-05-11 16:22:55 发布
最新推荐文章于 2025-05-11 16:22:55 发布
阅读量531 收藏 10
点赞数 5
CC 4.0 BY-SA版权
文章标签： 目标检测 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wang6562009/article/details/137036666

以下整理和图像均来自江大白老师的知乎讲解：深入浅出Yolo系列之Yolox核心基础完整讲解

知乎 深入浅出Yolo系列之Yolox核心基础完整讲解 - 知乎

YOLOX 结构图

yolov3 相比，最大的改进是在head阶段，yolov3结构如下

Decoupled Head

yolov3 head中，直接将neck层融合后的结果，进行卷积操作，然后得到 （n*n）*255 的feature map

而yolox head 则使用了“解耦头”操作，将neck层的结果解耦,如下图

解耦为20*20*80（类别）， 20*20*1（置信度）， 20*20*4（预测框）这三个特征向量，使用

最低0.47元/天 解锁文章
YOLOX简析
weixin_43850171的博客
02-21 1571
yolox简析
YOLOX-基于YOLOX实现的旋转目标检测算法-附项目源码-优质项目实战.zip
10-21
YOLOX是一种先进的目标检测算法，它是YOLO系列算法的最新成员，继承了YOLO家族快速、准确的特点，并在性能上有所提升。YOLOX采用一种端到端的训练方式，可以处理图像中的目标检测任务，并且能够识别出目标的位置以及...
基于YOLOX的目标检测方法和调试demo进行测试
weixin_47131505的博客
06-13 750
旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙的集成组合，提出了 YOLOX，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的平均精度，而且取得了极具竞争力的推理速度。3. 最后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；注：一定要从YOLOX的网址上下载权重文件，如果从其他渠道上下载可能会导致检测错误，检测不准确等问题！
YOLOX目标检测算法实战：使用MegEngine框架
最新发布
weixin_35734408的博客
05-11 1018
YOLOX算法是YOLO（You Only Look Once）系列目标检测模型的一个变种。它在保持YOLO系列快速检测的优点的同时，引入了一些新的技术以增强模型的准确度和鲁棒性。YOLOX放弃了传统的锚点框（anchor boxes）机制，转而采用纯粹的无锚点检测（anchor-free）方法，这使得模型在训练和预测过程中更加高效和灵活。非极大值抑制（NMS）是一种在目标检测任务中用于去除多余候选框的算法。
yolox
qq_35608277的博客
09-01 402
https://blog.youkuaiyun.com/qq_41035283/article/details/119150751
YOLOX
年轻即出发，
10-12 1725
论文：YOLOX: Exceeding YOLO Series in 2021 Github：https://github.com/Megvii-BaseDetection/YOLOX face++作品，2021 论文提出了YOLOX，其超越了YOLOV1-V5系列，并且取得了StreamingPerception Challenge 第一名的成绩（速度，精度都看）。YOLOX基于YOLOV3进行改进，采用了YOLOv3-SPP基础结构。采用BCELoss训练cls和obj，Io...
YOLOX-使用MegEngine实现YOLOX目标检测算法-附项目源码-优质项目实战.zip
05-09
YOLOX（You Only Look Once, eXtreme）是一种基于深度学习的目标检测算法，它在YOLO系列的基础上进行了优化，旨在提供更快的运行速度和更优的检测性能。本项目实战是使用MegEngine框架来实现YOLOX，MegEngine是一款...
YOLOX-基于Paddle实现的YOLOX目标检测算法-附项目源码-优质项目实战.zip
05-09
总的来说，"YOLOX-基于Paddle实现的YOLOX目标检测算法-附项目源码-优质项目实战.zip" 提供了一个完整的从理论到实践的学习路径，让开发者能够深入了解YOLOX算法和PaddlePaddle框架，同时提供了实际操作的平台，有助...
YOLOX-结合YOLOX+SwinTransformer作为Backbone实现的目标检测算法-附预训练权重下载+项目源码
10-21
YOLOX是一种先进的目标检测算法，其设计灵感源自于YOLO（You Only Look Once）系列。YOLOX在YOLO的基础上进行了创新，引入了SwinTransformer作为其Backbone，从而在处理图像时能够更有效地捕捉到复杂场景下的目标...
YoloX框架：高效更精确的目标检测框架（附源代码）
gzq0723的博客
12-04 2057
点击上方蓝字关注我们计算机视觉研究院专栏作者：Edison_GYOLOX在YOLO系列的基础上做了许多有意思的工作，其主要贡献在于：在YOLOV3的基础上，引入了“Decoupled He...
yolox知识点
sinat_39307513的博客
08-17 3492
一、yolox整体思路 1、基础模型：yolov3-spp。考虑到yolov4、yolov5的tricks可能存在过度优化，因此选择yolov3添加spp结构作为基础网络。 2、yolox-darknet53:对yolov3基础模型添加各种trick是，例如Decopled head，SimOTA,anchor free等。 3、训练过程添加很多策略，例如： （1）添加EMA权值更新，cosine学习率机制，warmup学习率调节等 （2）使用IOU损失函数训练reg分支，BCE损失函数.
YOLOX: 无锚点机制 + 解耦头部设计 + 动态标签分配策略的高性能目标检测器 + Apache-2.0 开源可商用
Debroon
06-14 2742
当将DarkNet53的深度特征提取能力与CSPNet的高效计算方式结合时，CSPDarkNet53能够在确保深度和复杂特征提取的同时，保持网络的运行效率。这种先进的策略通过确保使用最相关的预测进行训练，优化了地面真实和预测对象之间的匹配，提高了精度。这种结构优化的目标是在不牺牲性能的情况下提供更高的速度和效率，使得CSPDarkNet53成为计算资源受限环境中的理想选择。这种设计的变化主要是为了改善模型的性能，通过分离任务以减少不同任务间的干扰，提高模型在分类和定位准确性上的效率。
试着了解YOLOx
2202_76009199的博客
10-14 1182
使用的是anchor-free网络。再者就是CAM注意力模块儿，首先将输入的向量进行全局的池化，拼接过程中伴随着通道数的缩小（减少计算量），将得到的结果进行mish处理，然后再做逆向切分，将得到的两个部分都使用sigmoid激活函数的处理，处理后的结果扩展为x的形状，与x做逐元素相乘得到返回的结果。关注YOLOHead部分，将预测分为两部分，左侧的部分预测的是物体的种类，右侧的部分预测的是是否包含物体以及是否特征点的回归系数（预测框的坐标）。包括：主干网络，自底向上的特征提取，，自顶向下的特征融合。
yolox全解析
qq_36136196的博客
08-31 1607
head头的三个分支输出为202085（stride=32），404085（stride=16），808085（stride=8）。因此，预测框的大小分别为3232，1616，8*8。 标签分配：挑选正样本锚框，两个步骤：初步筛选，SimOTA。 初步筛选有两个步骤：根据中心点筛选，根据目标框筛选。 SimOTA有四个步骤：1.初筛正样本信息提取 2.Loss函数计算 3.cost计算 4.SimOTA ...
YOLOX 学习笔记
博观约取，厚积薄发
10-15 4225
YOLO 系列高性能：速度快，精度高，方便部署（工业界）。YOLO系列发展至今主要包含了v1、v2、v3、v4和v5以及针对每个版本的改进系列。YOLOv1源于Joseph Redmon，主要贡献在于：开发出实时高性能目标检测的one-stage检测框架，只需要将图像一次性输入到网络中即可预测出图像中目标的位置，具有速度快；检测精度高和方便部署等优点。
【YOLO系列】YOLOX（含代码解析）
陶将的博客
06-26 2524
YOLOX是来自旷视团队的团队提出了，它再YOLO v3的基础上进行改进，是anchor free类模型。它使用decoupled head替代coupled head，提高head的表达能力。它使用multi positives的技巧，减少高质量预测框的损失。它使用SimOTA在不增加训练时间的前提下进行样本匹配。它使用Mosaic和Mixup进行更强形式的数据增强。多种技巧，让YOLOX模型具有高精度。
深度学习---目标检测网络YoloX
datian1234的博客
07-25 1312
YoloX由旷视科技开源，以YoloV3(Darknet53作为backbone)作为基线，最大的区别在于 **Decoupled Head，Data Aug，Anchor Free 和样本匹配（SimOTA）** 这几个方面，另外还提供了完善的代码，并很贴心的提供了部署脚本，真的很友好了。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值