YOLOX训练自己的数据集

目录

一、YOLOX安装

1、下载GitHub上的代码 

2、安装yolov5所需要的依赖环境

        （1）、安装代码依赖的库文件

        （2）、通过setup.py安装一些库文件

        （3）、安装apex文件

二、YOLOX训练自己的数据集

1、数据集预处理

2、修改代码

（1）、将yolox/data/datasets/voc_classes.py中的标签信息，进行修改。

（2）、修改类别数量

（3）、修改训练集信息

（4）、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。

（5）、修改不同的网络结构

 （6）、修改其他相关参数

三、YOLOX训练

1、终端训练

2、Pycharm训练

四、YOLOX训练及常见问题

1、利用demo.py进行测试

2、利用eval.py进行测试

---

YOLOX是旷视提出来的，研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙地集成组合，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。 

一、YOLOX安装 1、下载GitHub上的代码 

        git clone https://github.com/Megvii-BaseDetection/YOLOX

2、安装yolov5所需要的依赖环境         （1）、安装代码依赖的库文件

        cd /home/xxx/xxx/xxxr/YOLOX-main

        pip3 install -U pip && pip3 install -r requirements.txt

        （2）、通过setup.py安装一些库文件

        通过setup.py安装一些库文件

        输入命令：python3 setup.py develop

        （3）、安装apex文件

        输入命令：git clone https://github.com/NVIDIA/apex

        sudo pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./  

二、YOLOX训练自己的数据集 1、数据集预处理

        在这里选择使用VOC格式对YOLOX进行训练，处理的图片主要包含三个文件夹，其中Annotations存放的是xml标签数据，JPEGImages存放的是图片数据，ImageSets存放的是训练、验证、测试的txt文件。

2、修改代码 （1）、将yolox/data/datasets/voc_classes.py中的标签信息，进行修改。

注意：类别后面都要加逗号，例如“car”后面加了一个逗号“，”。

（2）、修改类别数量

• 修改exps/example/yolox_voc/yolox_voc_s.py中的self.num_classes

• 修改yolox/exp/yolox_base.py中的self.num_classes

（3）、修改训练集信息

• 修改exps/example/yolox_voc/yolox_voc_s.py中的VOCDection。

        data_dir是前面product_ak的绝对路径，

        images_sets修改为trainval

        max_labels表示图片最多的目标数量，设为50。

• 修改yolox/data/datasets/voc.py中，VOCDection函数中的读取txt文件。

（4）、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。

         data_dir是前面product_ak的绝对路径，

         images_sets修改为test

（5）、修改不同的网络结构

        以YOLOX_l网络为例，比如在exps/default/yolox_s.py中，self.depth=1.0，self.width=1.0。和Yolov5中的不同网络调用方式一样。

        为了统一不同的网络结构，继续修改exps/example/yolox_voc/yolox_voc_s.py中的，self.depth和self.width。

        再修改yolox/exp/yolox_base.py中的，self.depth和self.width。

 （6）、修改其他相关参数

• 修改验证epoch的数量

        目前代码中是训练迭代10个epoch，再对验证集做１次验证，但大白想每迭代1个epoch，即做一个验证，及时看到效果。

• 修改验证时的相关信息

        主要对读取验证信息的相关代码进行调整，代码在yolox/data/datasets/voc.py中_do_python_eval函数中。

• 因为自有数据集没有year信息，所以将其中的rootpath和name修改

• 因为没有year信息，所以将其中的cachedir修改；修改use_07_metric的信息。

三、YOLOX训练 1、终端训练

        将下载好的yolox_s.pth.tar放到YOLOX文件夹中，打开终端，在终端中输入：

        python3 tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 64  -c yolox_s.pth.tar

2、Pycharm训练

        代码运行时，常常需要Debug的方式，进行调试执行。所以可以修改train.py的几个配置参数，采用Debug或者Run的方式进行执行。主要需要修改以下参数：

• batch-size

        根据自己机器的配置，设置batch-size的参数，比如设置为64。

•  devices参数

        如果GPU服务器只有1张卡，将devices的default修改为0。

• exp_file参数

        将exp_file的default修改为yolox_voc_s.py的路径（如代码版本更新，可重置路径）。

• ckpt参数

        如果使用预训练权重，将ckpt的default修改为模型权重的路径。

        然后就可以在pycharm里面进行训练了。

四、YOLOX训练及常见问题

        在训练完成后，可以对训练的YOLOX算法模型进行测试，测试文件保存在tools/文件夹下，测试可以运行demo.py和eval.py这两个文件

1、利用demo.py进行测试

• 首先是选择测试的模式是图片还是视频，然后输入需要测试图片/视频的路径

•  修改yolox的配置文件，与训练时的配置文件一致

•  修改训练后模型的保存地址，以及是否使用GPU进行加速

•  到此就可以运行demo.py进行demo测试了，测试后输出测试结果，如下所示

2、利用eval.py进行测试

•  修改eval.py文件中的batch_size大小，可根据个人的显卡大小修改

•  修改yolox的配置文件，与训练时的配置文件一致

•  修改测试时使用的模型，得分阈值、nms阈值等参数

•  修改上述参数就可以进行验证了，会输出模型在测试集的mAP等指标