关于YOLOX

paper：https://arxiv.org/abs/2107.08430
官方code：https://github.com/Megvii-BaseDetection/YOLOX

YOLOX在windows环境下的训练：
https://www.bilibili.com/video/BV1zM4y157Cp

参考博客：https://blog.csdn.net/weixin_44791964/article/details/120476949
参考视频：https://www.bilibili.com/video/BV1DL4y1B7eU

YOLOX的特点

1.主干部分
使用了Focus网络结构，对特征点信息进行划分，将特征点信息堆叠到通道上。

使用了CSPnet网络结构，在残差模块堆叠的同时，构建大的残差边，经过少量处理直接连接到最后。

2.分类回归层
过去的YOLO系列将分类和回归在一个1X1卷积里实现，YOLOX认为这给网络的识别带来了不利影响。

在YOLOX中,YOLO Head被分为了两部分，分别实现，最后预测的时候才整合在一起。

3.数据增强
Mosaic数据增强。利用了四张图片进行拼接实现数据中增强，其拥有一个巨大的优点是丰富检测物体的背景。
4.Anchor Free
Anchor Based检测器需要对先验框进行聚类，增加了时间成本且不能适应所有的情况；
Anchor增加了检测头的复杂度以及生成结果的数量。
Anchor Free的解码代码逻辑更简单，可读性更高。

5.SimOTA动态匹配正样本
根据每个真实框和当前各个特征点预测框的重合程度。计算每个真实框的k，代表每个真实框有k个特征点与之对应。
根据真实框与各个特征点的预测准确度和包含情况计算Cost代价矩阵。将Cost最低的k个特征点作为该真实框的正样本。

总结：YOLOX作为YOLO系列的改进版，综合了系列网络的优点，使用Focus和CSPnet网络结构进行特征提取，通过Mosaic进行数据增强。创新的应用了新的解耦头、Anchor Free思想和SimOTA动态正样本匹配方法大幅度提高模型效果。