首页 > TAG信息列表 > yolox

YOLOX 输入分辨率 只能是32的倍数 如何计算

YOLOX 输入分辨率 https://github.com/Megvii-BaseDetection/YOLOX/issues/851 这个Issue里面讲到了只能用32的倍数 比如 720:1280 不是32的倍数,怎么等比例缩放呢 \[\begin{align*} 16k &= 9p\\ 9k &= 32q \\ q &= \frac{9}{32}k \\ p &= \frac{16}{32}k = \frac{1}{2}k \\ \end

Yolo系列简单汇总二(yolox yolo6 yolo7)

Yolo系列简单汇总一(yolov1至yolov5)见: https://www.cnblogs.com/xiaxuexiaoab/p/16615242.html 六、YoloX pdf: https://arxiv.org/pdf/2107.08430.pdf code: https://github.com/Megvii-BaseDetection/YOLOX 参考链接: https://www.zhihu.com/question/473350307 https://zhuanla

yolov5和yolox中的focus模块

YOLO里面输入的图像会先进入Focus模块,该模块主要是实现没有信息丢失的下采样。 很形象的一张图:   class Focus(nn.Module): """Focus width and height information into channel space.""" def __init__(self, in_channels, out_channels, ksize=1, stride=1, act=

目标检测复习之Anchor Free系列

目标检测之Anchor Free系列 CenterNet(Object as point) 见之前的过的博客 CenterNet笔记 YOLOX 见之前目标检测复习之YOLO系列总结 YOLOX笔记 FCOS solve object detection in a per-pixel prediction fashion, analogue to semantic segmentation Paper Code1: 官方代码

YOLOX改进之添加ASFF

文章内容:如何在YOLOX官网代码中添加ASFF模块 环境:pytorch1.8 修改内容: (1)在PAFPN尾部添加ASFF模块(YOLOX-s等版本) (2)在FPN尾部添加ASFF模块(YOLOX-Darknet53版本) 参考链接: 论文链接:https://arxiv.org/pdf/1911.09516v2.pdf ASFF原理及代码参考:https://blog.csdn.net/weixin_44119

YOLOX改进之损失函数(下)

文章内容:如何在YOLOX官网代码中修改–定位损失 环境:pytorch1.8 修改内容: (1)置信度预测损失更换:二元交叉熵损失替换为FocalLoss或者VariFocalLoss (2)定位损失更换:IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列 提示:使用之前可以先了解YOLOX及上述损失函数原理 参考链接: YOLOX官网

目标检测:YOLOX 解读

摘要 YOLOX把YOLO 系列的检测头换成了anchor free的方式,并且采取了一些优化策略:样本分配策略:simOTA,decoupled head(解耦头)的思想。 1.介绍 YOLO家族一直以来都是把最流行的技术加入,并进行优化,追求精度和速度的最佳平衡(比如YOLOv2中引入的Anchor,YOLOV3中引入的残差块,YOLOv4中的

旷世开源yolox的目标检测使用

如何使用yolox训练自己的目标检测模型 1. 源码的下载,及网络模型的选择 1.1 源码下载 在github官网上搜索yolox,链接

训练yolox_nano报错:AttributeError: ‘Exp‘ object has no attribute ‘perspective‘

刚刚我成功训练了yolox_nano模型,并且成功预测,但是现在要训练yolox_nano的时候又出现了问题,我的环境配置如下文章所示: https://blog.csdn.net/ELSA001/article/details/120918082?spm=1001.2014.3001.5501 我的训练命令如下: python tools/train.py -f exps/example/yolox_voc/

YOLOX目标检测:原理与源码解析

课程链接:YOLOX目标检测:原理与源码解析--计算机视觉视频教程-人工智能-CSDN程序员研修院 【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言:Talk is cheap. Show me the code. 冗谈不够,放码过来!代码阅读是从基础到提高的必由之路。 YOLOX是旷视科技新近推出的高性能

YOLOX阅读笔记

YOLOX论文阅读 文章目录 BaselineDecoupled head数据增强策略Anchor-freeMulti-positiveSimOTAend-to-end YOLO Baseline Baseline:DarkNet53 + SPP Layer 同时加入了一些训练策略,EMA权重更新,cosine学习率机制, IoU loss和IOU-aware分支,在训练cls和obj分支时使用BCE Loss,

yolox head

yolox head 目录yolox head概述主体结构初始化head,__init__head模型的forward结果输出解码yolo-backbone 和 yolo-head 结合 yolox head 网络 概述 yolox-head 包含了3个分支 三个大分支输入的是三种尺度特征图, 自下而上分别对应前面提到的backbone输出的dark3, dark4, dark5

记录我配置YOLOX训练自己数据集的经历,已完成

本文以在colab上训练为例: !git clone https://github.com/roboflow-ai/YOLOX.git %cd YOLOX !pip3 install -U pip && pip3 install -r requirements.txt !pip3 install -v -e . !pip uninstall -y torch torchvision torchaudio # May need to change in the future if Col

YOLOX 模型转换报错 [TensorRT] ERROR: runtime.cpp (25) - Cuda Error in allocate: 2 (out of memory)

YOLOX 模型转换报错 [TensorRT] ERROR: runtime.cpp (25) - Cuda Error in allocate: 2 (out of memory) 配置: ubuntu 18.04 pytroch 1.9.0 cuda10.0 cudnn 7.5.0 TensorRT 5.1.5 torch2trt 0.3.0 修改trt.py下max_workspace_size的大小

RuntimeError: CUDA out of memory.

yolox训练时出现错误 错误提示:    解决办法: 原训练代码: python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 16 --fp16 -o -c weights/yolox_s.pth 修正: python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 16 -c weights/yolo

最近被旷视的YOLOX刷屏了!

目录论文主要信息文章概要背景YOLOX-DarkNet53实现细节YOLOv3 baselineDecoupled head实验思路storyStrong data augmentationAnchor-freemulti positivesSimOTAEnd-to-end(NMS-free) YOLO消融实验性能对比YOLOX-LYOLOX-Tiny & YOLOX-NanoModel size V.S. Data augmentationSOTA参

YOLOX训练自己的VOC标注的数据

0. 前言 YOLOX是旷世在YOLO的基础上将anchor-free技术引入,从性能和速度上取得的更好的结果。具体可参考github相关代码及论文说明,此处介绍如何利用YOLOX训练自己的VOC数据集。 github:https://github.com/Megvii-BaseDetection/YOLOX paper:https://arxiv.org/abs/2107.08430 1.

【YOLOX】基于Windows10的YOLOX测试效果

一、资源获取 源码:https://github.com/Megvii-BaseDetection/YOLOX 原文:https://arxiv.org/abs/2107.08430 我的测试代码:下载链接: https://pan.baidu.com/s/1rX4iRLavFc9Uoc8_otFIoA 密码: gmic 所有文件、安装包都在里面,文件较大,可以按需下载。 二、测试步骤 python最好大

旷视开源YOLOX

导读 YOLO系列终于又回到了Anchor-free的怀抱,不用费劲心思去设计anchor了!旷视开源新的高性能检测器YOLOX,本文将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合,性能大幅提升。 《YOLOX: Exceeding YOLO Series in 2021》 paper: https://arxiv.org/abs