（详细版Win10+Pycharm）YOLOX——训练自己的VOC2007数据集，以NWPU VHR-10 dataset为例
目录
一、搭建YOLOX环境
二、训练自己的VOC数据集
1.打开Pycharm配置Anaconda已创建好的yolo_x虚拟环境
2.在Pycharm中设置Git环境
3.修改配置文件
（1）修改YOLOX/yolox/data/dataloading.py
（2）修改YOLOX/yolox/data/datasets/voc_clsses.py
（3）修改YOLOX/exps/example/yolox_voc/yolox_voc_s.py
（4）修改YOLOX/yolox/data/datasets/voc.py
4.开始训练自己的数据集
（1）终端训练，使用命令行方式训练
（2）Pycharm训练，直接训练train.py
5.测试
6.利用tensorboard可视化
一、搭建YOLOX环境
可参考博文：YOLOX——Windows10+Anaconda3搭建环境_qq_31721595的博客-CSDN博客
二、训练自己的VOC数据集
将NWPU VHR-10数据集的格式转换成VOC2007数据集的格式，参考博文：使用Python将NWPU VHR-10数据集的格式转换成VOC2007数据集的格式_大彤小忆的博客-CSDN博客_nwpu数据集
NWPU VHR-10：西北工业大学标注的航天遥感目标检测数据集，共有800张图像，这些图像是从Google Earth和Vaihingen数据集裁剪而来的，然后由专家手动注释。其中包含目标的650张，背景图像150张，目标包括：飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁、车辆10个类别。
数据说明：数据集包含以下文件
- negative image set：包含150个不包含给定对象类别的任何目标的图像；
- positive image set：650个图像，每个图像至少包含一个要检测的目标；
- ground truth：包含650个单独的文本文件，每个对应于“正图像集”文件夹中的图像。这些文本文件的每一行都以以下格式定义了ground truth边界框：
(x1,y1),(x2,y2),a
其中（x1，y1）表示边界框的左上角坐标，（x2，y2）表示边界框的右下角坐标，
a是对象类别（1-飞机，2-轮船，3-储罐，4-棒球场，5-网球场，6-篮球场，7-田径场，8-港口，9-桥梁，10-车辆）。
1.打开Pycharm配置Anaconda已创建好的yolo_x虚拟环境
（1）首先File——>Open，打开已下载的YOLOX文件：
（2） File——>Settings——>Project:YOLOX——>Python Interpreter——>右上角Add
设置完成后，就可以在Pycharm右下角看到Python3.7（yolo_x）：
2.在Pycharm中设置Git环境
（注：这一步是为了后面在pycharm中使用Git从github上下载文件）
（1）File——>Settings——>Tools——>Terminal
（2）验证Git环境是否配置成功，在Pycharm的Terminal中输入：git --version
3.修改配置文件
将转换为VOC格式的数据集放在YOLOX的datasets文件下，如下图：
注：各文件夹命名要与上图一样，完成后在Pycharm中显示如下：
（1）修改YOLOX/yolox/data/dataloading.py
（2）修改YOLOX/yolox/data/datasets/voc_clsses.py
将VOC_CLASSES改为自己数据集的标签，注意这个标签的名字一定要和VOC2007/Annotations中的.xml文件中的name相同：
.xml文件中的name如下图所示:
（3）修改YOLOX/exps/example/yolox_voc/yolox_voc_s.py
1）将num_classes修改为自己数据集的目标类别数，NWPU VHR-10类别数为10：
2）修改46行的image_sets，将（'2012', 'trainval'）删除：
（4）修改YOLOX/yolox/data/datasets/voc.py
将{:s}里的:s删除，如果不删掉后面验证的时候可能会一直报找不到文件的错误：
上述4个文件修改完成后，在Pychram的Terminal中执行命令，重新编译yolox：
python setup.py install
4.开始训练自己的数据集
（1）终端训练，使用命令行方式训练
python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4 --fp16 -o -c yolox_s.pth-d 使用显卡个数
-b 批次大小
–fp16 是否开启半精度训练
-c 加载预训练模型
注：因为我的笔记本配置不行，报错CUDA out of memory（当时找了很多解决方法），即使将批次大小改为2还是报同样的错误，所以将批次大小改为1，修改代码如下：
python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 1 -c yolox_s.pth（2）Pycharm训练，直接训练train.py
1）首先把train.py从tools里面复制一份到工程的根目录，如图：
2）然后修改复制到根目录的train.py，对batch-size, devices, exp_file, ckpt作如下修改：
此外，源文件的迭代次数设置的是300次，每10次模型输出一次结果，可以根据自己的需求进行修改：
修改YOLOX/yolox/exp/yolox_base.py:
3）开始训练train.py，训练结果如下：
迭代100次后的结果：
4）若训练一段时间后，还想继续训练，更改train.py和YOLOX/yolox/exp/yolox_base.py，对resume, ckpt, start_epoch, max_epoch进行如下修改：
再运行 train.py：
接着100次后再迭代100次后的结果，mAP从0.75上升到0.8207，一般迭代次数增加，精度也会随之提高：
5）在YOLOX_outputs文件下可以看到保存的模型：
5.测试
（1）修改yolox/data/datasets/\__init__.py，导入“VOC_CLASSES”，如下图：
（2）将demo.py复制一份放到工程的根目录，然后修改里面的参数
1）将“COCO_CLASSES”，改为“VOC_CLASSES”：
2）在YOLOX根目录下新建文件夹命令assets1，将要测试的的图片放入该文件下，这里随便测试几张图片：
3）修改demo.py中的path，exp_file, ckpt, tsize：
（3）运行demo.py
运行demo.py，结果报错了，如下图：
解决方法：在demo前加上--，如图：
再次运行demo.py，成功运行了，如下图：
但当我去下面的文件里查看结果时，发现没有结果保存：
原因如下，save_result=False，需要将其改为True：
结果：
6.利用tensorboard可视化
在pycharm的Terminal中输入如下命令：
tensorboard --logdir=YOLOX_outputs/ --host=127.0.0.1
参考博客：
- YOLOX——Windows 10下环境配置_知来者逆的博客-CSDN博客_yolox环境
- windows10搭建YOLOx环境 训练+测试+评估_[空--白]的博客-CSDN博客_yolox 评估
- https://yongqi.blog.csdn.net/article/details/120465765