除了DarkNet53,还在不同尺寸的其他主干上测试了YOLOX,与所有对应的同类主干相比,YOLOX实现了一致的改进。 YOLOv5的改进型CSPNet 为了进行公平比较,本文采用了严谨的YOLOv5主干,包括改进型CSPNet、SiLU激活和PAN head。还遵循了尺度规则来生产YOLOX-S、YOLOX-M、YOLOX-L和YOLOX-X模型。与表3中的YOLOv5相比,所提...
强大的数据增强:我们使用Mosaic和Mixup来提高YoloX的表现,Mosaic是Yolov3变体提出的一种有效的增强策略,广泛的被使用在yolov4,yoloV5和其他检测器中,MixUp通常被使用在图片分类任务中,但是被BOF算法使用在检测训练中,我们采用MiXUp和Mosaic功能在我们的模型中,并且在最后15个epoch进行关闭,使用了42.0%的AP Strong data ...
对Yolov3 baseline基准模型,添加各种trick,比如Decoupled Head、SimOTA等,得到Yolox-Darknet53版本; (3)Yolox-s、Yolox-m、Yolox-l、Yolox-x系列 对Yolov5的四个版本,采用这些有效的trick,逐一进行改进,得到Yolox-s、Yolox-m、Yolox-l、Yolox-x四个版本; (4)轻量级网络 设计了Yolox-Nano、Yolox-Tiny轻...
此外,当使用最先进的YOLOv5架构(采用先进的CSPNet backbone和额外的PAN头)时,在COCO数据集上的640分辨率条件下,YOLOX-L实现了50.0%的AP,比对应的YOLOv5- l高出1.8%的AP。我们也在小尺寸的模型上测试我们的设计策略,YOLOX-Tiny和YOLOX-Nano(仅0.91M参数和1.08G FLOPs)比相应的YOLOv4-Tiny和NanoDet3分别高出10...
[重读经典论文]VIT2023-06-1035.[重读经典论文]EfficientDet2023-06-08 收起 参考博客:YOLOX网络结构详解 参考视频:YOLOX网络结构详解 亮点: 网络检测头部分,改成解耦的结构,将类别分数、边界框回归参数和objectness分别预测,提高网络收敛速度。 使用Anchor free对目标进行预测。 正负样本匹配策略SimOTA。 (完) 本文...
论文链接:后台发送“yolox”获取论文链接。 1. YOLOX 1.1 YOLOX-DarkNet53 YOLOv3 baseline以Darknet53作为Baseline,给大家介绍如何一步一步过渡到现在的YOLOX-DarkNet53。YOLOv3是以Darknet53为主干,后面再加上SPP。我们对训练策略进行了一些修改,增加了EMA weights updating,余弦学习率,IoU损失,以及IoU-aware分...
YOLOv3 baseline。我们的baseline采用DarkNet53框架和一个SPP层,在一些论文中被叫做YOLOv3-SPP。与原本实施相比,我们微 小改动了一些训练策略,加入了EMA权重更新,余弦lr schedule,IoU损失和IoU感知分支。我们使用BCE损失来衡量训练cls和obj分 支,IoU损失衡量训练reg分支。这些常规训练技巧与YOLOX的关键改进是正交的,所...
YOLOX论文简读,paper:https://arxiv.org/abs/2107.08430code:https://github.com/Megvii-BaseDetection/YOLOX本文是旷视科技在目标检测
简介:论文阅读笔记 | 目标检测算法——YOLOX paper:YOLOX: Exceeding YOLO Series in 2021 摘要: 作者将YOLO检测器切换为anchor_free方式,并且结合了一些先进的检测测量,比如一个解耦的检测器头部以及一个标签分配策略SimOTA。 ps:作者用一个YOLOX-L模型赢得了流感知挑战(2021年CVPR自动驾驶研讨会)的第一名 ...
改进yolox的交通标志检测算法研究与应用 在现有目标检测模型中，YOLOX系列因平衡检测速度与精度受到广泛关注，但在交通标志检测场景仍存在漏检率高、小目标识别差等痛点。针对实际道路环境中交通标志的尺寸变化剧烈、极端天气干扰、密集遮挡等问题，这里分享一套改进方案，重点解决模型对复杂环境适应性不足的问题。数据层面...