由于yolox_nano是一个小模型,大小只有7MB,每次训练迭代非常快,而数据加载跟不上GPU的速度,导致GPU利用率较低; 此外,yolox使用的 Mosaic 数据增强方式以及其它增强方式需要消耗一定的时间。 优化建议: 1.增加data_num_workers数量。 修改YOLOX/yolox/exp/yolox_base.py文件,在"__init__ "函数增加self.data_n...
针对FCOS 风格的NanoDet,构建了Yolox-Nano网络结构。 从上表可以看出: (1)和Yolov4-Tiny相比,Yolox-Tiny在参数量下降1M的情况下,AP值实现了9个点的涨点。 (2)和NanoDet相比,Yolox-Nano在参数量下降,仅有0.91M的情况下,实现了1.8个点的涨点。 (3)因此可以看出,Yolox的整体设计,在轻量级模型方面,依然有很...
同时,YOLOX还具有较小的模型大小和计算量,如YOLO-Nano只有0.91M参数和1.08G FLOPs,但在COCO上也获得了25.3%的AP,超过了NanoDet 1.8%的AP。这些优势使得YOLOX在实际应用中更加灵活和高效。 当然,YOLOX的成功并非一蹴而就。在研发过程中,团队成员们付出了大量的努力和时间。他们通过不断的实验和优化,找到了最佳的...
Tiny and Nano detectors 作者进一步缩小模型为 YOLOX-Tiny，以便与 YOLOv4-Tiny 进行比较。对于移动设备，采用深度卷积的方法构建了一个只有 0.91M参数 和 1.08G FLOPs 的 YOLOX-Nano 模型。如下表所示，YOLOX 在模型尺寸更小的情况下也比同类模型表现更加好。Model size and data augmentation 在实验中...
进一步缩小模型为YOLOX-Tiny,与YOLOv4-Tiny[30]进行比较。为了适应移动设备,采用深度卷积构建YOLOX-Nano模型,只有0.91M参数和1.08G FLOPs。YOLOX在比对应对手更小的模型尺寸下表现良好。 模型规模和数据增强: 实验中,所有模型基本保持相同的学习计划和优化参数。但是,适合的增强策略因模型大小而异。对于大型模型,更强...
该研究进一步将模型缩小为 YOLOX-Tiny,并与 YOLOv4-Tiny 进行比较。对于移动端设备,研究者采用深度卷积构建 YOLOX-Nano 模型,模型仅有 0.91M 参数量以及 1.08G FLOP。如表 4 所示,YOLOX 在更小的模型尺寸下表现良好。 模型大小与数据增强 在实验中,所有模型都保持了几乎相同的学习进度和优化参数。然而,研究...
2个3x3 卷积，最终调整到仅仅增加一点点参数，YOLOX 在 s,m,l,x 模型速度上的轻微下降也全源自于...
(1)Yolox-Nano Yolox-Nano是Yolox系列最小的结构,网络参数只有0.91M。 此处放上netron打开的,Yolox-Nano网络结构可视图的地址,点击查看。 https://blog.csdn.net/nan355655600/article/details/119329864 (2)Yolox-Tiny 此处放上Yolox-Tiny网络结构可视图的地址,点击查看。
不同规模的性能:YOLOX在各种模型大小上表现出强大的性能: YOLO-Nano:尽管只有0.91百万参数和1.08亿FLOPs,它在COCO数据集上达到了25.3%的AP(平均精度),超过了NanoDet。 增强的YOLOv3:将YOLOv3的性能提高到COCO上的47.3% AP。 YOLOX-L:该版本在Tesla V100 GPU上以68.9帧/秒(FPS)的速度达到了50.0%的AP,与其他...