Yoloxgithub：一種輕量級對象檢測算法的開源實現

一、介紹

Yoloxgithub是一種輕量級對象檢測算法，基於Yolo系列算法的思路，採用去掉大量冗餘層、增加SPP池化層，以及採用Bisenetv2的FPN結構做特徵圖融合等方式來實現模型的輕量化和速度的提升。

作為一種高效的目標檢測模型，Yoloxgithub在Github上開源後受到了廣大開發者的關注和使用，甚至成為了目前最有機會代替Yolov5的模型之一。

二、性能優化

相較於傳統的Yolov5等目標檢測模型，Yoloxgithub主要通過以下幾種方式做性能優化：

1、去除大量冗餘層

Yoloxgithub去掉了Yolo系列算法中大量重複的卷積層，使得模型在不降低檢測精度的情況下更加輕量化。

2、採用SPP池化層

Yoloxgithub採用了SPP（Spatial Pyramid Pooling）池化技術，該技術能夠對不同尺度的目標物體進行檢測，從而提高了模型的檢測精度。

3、Bisenetv2 FPN特徵融合

Yoloxgithub採用Bisenetv2的FPN特徵融合技術來增強模型的表達能力，實現對小物體的更好檢測效果。

三、實現代碼

  
# yolox_mobile_s.py
## add data augmentation 
## target size 640
# Training YOLOX_S on COCO2017 train2017
# python tools/train.py -f exps/example/yolox_s.py -d 1 -b 2 -o -c resume latest.pth
##
## eval yolox-s on coco2017 test-dev2017
# python tools/eval.py -f exps/example/yolox_s.py -c latest.pth -b 2 --fuse
from yolox.exp import Exp as MyExp
from yolox.utils import YOLOX_COLORS
from yolox.data import COCO_CLASSES

class Exp(MyExp):

    def __init__(self):
        super(Exp, self).__init__()
        self.input_size = (640, 640)
        self.dynamic_scale = True
        self.depth = 0.33
        self.width = 0.5
        self.max_epoch = 300
        self.num_classes = 80
        self.print_interval = 10
        self.eval_interval = 30
        self.output_dir = "yolox_outputs"
        self.train_ann = "train.json"
        self.val_ann = "val.json"
        self.data_num_workers = 1 
        self.input_perm = (2, 0, 1)
        self.color_list = YOLOX_COLORS
        self.cat_ids = {cat: i for i, cat in enumerate(COCO_CLASSES)}
        self.strides = [8, 16, 32]
        self.reg_topk = 6
        self.hm_weight = 1.
        self.use_fast_pred = True
        self.exp_name = "yolox-s"
        self.image_weights = False
  

四、應用場景

Yoloxgithub適用於各種需要實時目標檢測的應用場景，例如：

1、移動端人臉識別、車輛識別等智能交通應用；

2、無人機、攝像頭等安防監控應用；

3、AR/VR虛擬現實應用中的目標跟蹤和識別等。