【YOLOX】《YOLOX：Exceeding YOLO Series in 2021》

arXiv-2021

---

文章目录

• [1 Background and Motivation](#1 Background and Motivation)
• [2 Related Work](#2 Related Work)
• [3 Advantages / Contributions](#3 Advantages / Contributions)
• [4 Method](#4 Method)
• [5 Experiments](#5 Experiments)
• • [5.1 Datasets and Metrics](#5.1 Datasets and Metrics)
• [6 Conclusion（own）](#6 Conclusion（own）)

---

1 Background and Motivation

2 Related Work

3 Advantages / Contributions

4 Method

深入浅出Yolo系列之Yolox核心基础完整讲解

（1）输入端，mosaic 和 mixup，最后 15 个 epochs 会关闭

（2）预测头

解耦头会收敛更快，精度也会更高，但会增加运算的复杂度

anchor free，以 640 输入为例，总预测数量 ( 20 ∗ 20 + 40 ∗ 40 + 80 ∗ 80 ) ∗ ( 80 + 1 + 4 ) = 8400 ∗ 85 (20*20 + 40*40 + 80*80) * (80 + 1 +4) = 8400* 85 (20∗20+40∗40+80∗80)∗(80+1+4)=8400∗85

anchor based，以 640 输入为例，总预测数量 3 ∗ ( 20 ∗ 20 + 40 ∗ 40 + 80 ∗ 80 ) ∗ ( 80 + 1 + 4 ) = 3 ∗ 8400 ∗ 85 3*(20*20 + 40*40 + 80*80) * (80 + 1 +4) = 3*8400* 85 3∗(20∗20+40∗40+80∗80)∗(80+1+4)=3∗8400∗85

正负样本分配：初步筛选、SimOTA

初步筛选

a. 根据中心点来判断：寻找anchor_box中心点，落在groundtruth_boxes矩形范围的所有anchors

b.根据目标框来判断：以groundtruth中心点为基准，设置边长为5的正方形，挑选在正方形内的所有锚框。

这一步还是有候选框或者说 anchor 的概念的

因为不同层金字塔特征图上的空间位置映射为原图，还是有大小的

精细筛选---SimOTA

a.初筛正样本信息提取

b.Loss 函数计算

c.cost 成本计算

d.SimOTA 求解

假设初步筛选从 8400 筛选到只剩 1000， simOTA中，会选 cost 最小的前 k 个 作为正样本

可能出现共用情况，一个正样本分配了多个 GT

选 cost 最小的

5 Experiments

5.1 Datasets and Metrics

6 Conclusion（own）

YOLOX作者刘松涛博士：高性能目标检测的最新实践

解耦的好处在于：在检测的过程中分类需要的特征和回归所需要的特征不同，所以在 Decoupled Head 中进行解耦处理后学习的过程会变得更加简单。

• 一文了解官方正式授命的YOLOv6