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...
这里选择了一个最小的nano,一个最大的x,Nano只要1M不到的参数量,对应到权重文件大小是7.7Mb,真是让人叹为观止相对的x,100M参数量,权重文件800Mb,大得令人绝望。 step2 运行demo.py # -n 输入模型名称python tools/demo.py image -n yolox-s -c /path/to/your/yolox_s.pth--path assets/dog.jpg -...
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...
Tiny和Nano检测器 我们将我们的模型进一步缩小为YOLOX-Tiny,以与YOLOv4-Tiny进行比较[30]。对于移动设备,我们采用深度方向卷积构建了一个YOLOX-Nano模型,该模型只有0.91M的参数和1.08G的FLOPs。如表4所示,YOLOX性能良好,模型尺寸甚至比同类产品更小。 模型大小和数据增强 在我们的实验中,所有的模型保持几乎相同的学...
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...
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...
同时,YOLOX-Tiny和YOLOX-Nano对比,YOLOX在参数量很小的条件下(只有0.91M参数量和1.08G FLOPs)比对应的YOLOv4-Tiny和NanoDet3分别高出10% AP和1.8% AP。 此外,YOLOX还在2021 Streaming Pereception Challenge的比赛中,取得了良好的成绩。 3.3 YOLOX使用建议...
21、作为一种优选的实施方案,所述步骤(2)中,改进yolox-nano模型首先通过主干网络来初步提取特征,然后再将提取到的多尺度特征进行特征融合,以改善网络对不同尺寸大小物体的检测效果,将融合后的不同尺度的特征送入检测头中,检测头采用了解耦的形式,解耦后的分支分别实现了分类和回归任务。