Yolox阅读笔记

yolox 是旷世今年推出的一个新的YOLO检测器技术报告，核心是将YOLO与anchor free方式实现，性能超过了之前的YOLO系列。此笔记记录YOLOx做了哪些改良.

Yolox 的构成

yolov3 baseline

darknet53 作为backbone，增加 SPP结构； 训练策略有：EMA，cosine lr schedule， IoU loss and IoU-aware branch. RandomHorizontalFlip, ColorJitter and multi-scale for data augmentation.

decoupled head

原始的一系列YOLO算法中回归器、分类器合在一起。在RetinaNet里面已经验证了分开能提高性能，这也很明显，各司其职，参数增加，提升性能。如下图

yolox 将回归、分类、IOU预测都解耦作为单独的分支。

从上图可以看出，解耦后能加快收敛，前期各司其职。但是随着训练轮次的增加，最后二者达到的AP趋于一致.

Strong data augmentation

Mosaic and MixUp

Anchor-free

这是YOLOx 最大的区别，还能叫YOLO吗？😄

yolox anchor free 实现细节：

每个位置只预测一个目标，且直接预测四个值，分别是相对网格左上角的偏移以及预测框的高和宽。

正样本分配：

• 物体中心点所在位置设为正样本，一个点最多一个正样本. 以此种方式分配正样本 AP 可达 42.9
• Multi positives– 以上诉正样本为中心点，取四周9个为正样本，这个和YOLOv5 的分配机制一样，增加正样本数量，加快收敛，AP提升到 45
• SimOTA: 该样本分配方式基于旷世的OTA论文的改进，具体这儿不抠细节了，AP能提升到 47.3

vs sota

对比YOLOv5

vs sota