The experimental results on PASCAL VOC and TT100K datasets show that the mAP values of YOLOX Lite are 84.3% and 88.1% respectively, and the FPS value reaches 56.7. Thus, while ensuring the network detection accuracy, the detection speed of YOLOX Lite is increased by about 17% compared with...
从下表 1 可以看到,使用耦合头时端到端性能降低了 4.2% 的 AP,而使用解耦头时仅仅降低了 0.8% AP。因此,研究者将 YOLO 检测头替换为一个轻量(lite)解耦头,由此极大地提升了收敛速度。 具体地,这个轻量解耦头包含一个 1 × 1 卷积层以减少通道维度,之后紧接着两个 3 × 3 卷积层的并行分支,具体架构...
Anchor-base:YOLOv3,YOLOv4,YOLOv5,YOLOv5-Lite,YOLOv7,YOLOv5-TPH,YOLO-Fastest v2,YOLO-LF,YOLO-SA,YOLOR,YOLOv5-SPD Anchor-Free:YOLOv6-v1,YOLOv6-v2,YOLOX,YOLOE,YOLOX-Lite,FastestDet Face-Detection:YOLOv5-Face,YOLOFace-v2 Segmentation:YOLOv5-Segment ...
Anchor-base: YOLOv3, YOLOv4, YOLOv5, YOLOv5-Lite, YOLOv7 Anchor-Free: YOLOv6, YOLOX, YOLOX-Lite Comparison of ablation experiment results Modelsize(pixels)mAP@.5mAP@.5:95Parameters(M)GFLOPsTensorRT-FP32(b16) ms/fpsTensorRT-FP16(b16) ...
因此,我们用如图2所示的lite去耦头代替YOLO检测头。具体来说,它包含一个1 × 1 卷积层以减小通道尺寸,其后是两个平行分支,分别有两个3 × 3 卷积层。我们在表2的V100上报告batch=1的推断时间,lite去耦头带来额外的1.1 ms (11.6 ms v.s. 10.5 ms) 图2:说明YOLOv3头部和建议的去耦头部之间的差异。对于每...
从下表 1 可以看到，使用耦合头时端到端性能降低了 4.2% 的 AP，而使用解耦头时仅仅降低了 0.8% AP。因此，研究者将 YOLO 检测头替换为一个轻量（lite）解耦头，由此极大地提升了收敛速度。具体地，这个轻量解耦头包含一个 1 × 1 卷积层以减少通道维度，之后紧接着两个 3 × 3 卷积层的并行分支，...
从下表 1 可以看到,使用耦合头时端到端性能降低了 4.2% 的 AP,而使用解耦头时仅仅降低了 0.8% AP。因此,研究者将YOLO检测头替换为一个轻量(lite)解耦头,由此极大地提升了收敛速度。 具体地,这个轻量解耦头包含一个 1 × 1 卷积层以减少通道维度,之后紧接着两个 3 × 3 卷积层的并行分支,具体架构参见...
因此,作者将YOLO检测头替换为的lite解耦头,如图2所示: 效果带来了提升,但是在推断过程中会有1.1ms的延迟。 2.3 Strong data augmentation 作者将Mosaic和MixUp添加到数据增强策略中,以提高YOLOX的性能,而且在最后的15个epoch中关闭这个训练策略。 在使用了以上的数据增强方式后,作者发现ImageNet的预训练没有带来收益,...
因此,我们将 YOLO 检测头替换为一个 lite 解耦头,如图 2 所示。具体来说,它包含一个 1×1 conv 层以减少通道维度,然后是两个分别具有两个 3×3 conv 层的平行分支。我们在表 2 中报告了 V100 上 batch=1 的推理时间,并且 lite 解耦头带来了额外的 1.1 ms(11.6 ms vs 10.5 ms)。 强大的数据增强...
3.2、Lite-Decoupled Head 图4中的解耦头首先在FCOS中提出,然后用于其他Anchor-Free目标检测器,如YOLOX。证实了在最后几个网络层使用解耦结构可以加速网络收敛并提高回归性能。 由于解耦头采用了导致额外推理成本的分支结构,因此提出了具有更快推理速度的高效解耦头,这将中间3×3卷积层的数量减少到仅一层,同时保持与...