训练除 yolo_s 以外的模型及训练参数修改

• YOLOX 的模型及训练配置模板文件位于./yolox/exp/yolox_base.py，对于VOC格式的数据可以仿照./exps/example/yolox_voc/yolox_voc_s.py进行修改

1. 更换yolox_m、yolox_l、yolox_x及其他模型

• 相应的预训练权重如下：

  Model	size	mAPval 0.5:0.95	mAPtest 0.5:0.95	Speed V100 (ms)	Params (M)	FLOPs (G)	weights
  YOLOX-s	640	40.5	40.5	9.8	9.0	26.8	github
  YOLOX-m	640	46.9	47.2	12.3	25.3	73.8	github
  YOLOX-l	640	49.7	50.1	14.5	54.2	155.6	github
  YOLOX-x	640	51.1	51.5	17.3	99.1	281.9	github
  YOLOX-Darknet53	640	47.7	48.0	11.1	63.7	185.3	github

  from yolox.exp import Exp as MyExp
  
  # 如果其余参数不需要修改的话可以只改以下两行参数
  # yolox_m
  class Exp(MyExp):
    def __init__(self):
        super(Exp, self).__init__()
        self.num_classes = 7
        self.depth = 0.67  # 修改这个参数
        self.width = 0.75  # 修改这个参数
  
  # yolox_m
  class Exp(MyExp):
    def __init__(self):
        super(Exp, self).__init__()
        self.num_classes = 7
        self.depth = 1  # 修改这个参数
        self.width = 1  # 修改这个参数
        
  # yolox_x
  class Exp(MyExp):
    def __init__(self):
        super(Exp, self).__init__()
        self.num_classes = 7
        self.depth = 1.33  # 修改这个参数
        self.width = 1.25  # 修改这个参数
  

• yolox-Darknet53 还需要重写 get_model 函数 详见github

  import os
  import torch.nn as nn
  from yolox.exp import Exp as MyExp
  
  class Exp(MyExp):
      def __init__(self):
          super(Exp, self).__init__()
          self.depth = 1.0
          self.width = 1.0
          self.exp_name = os.path.split(os.path.realpath(__file__))[1].split(".")[0]
  
      def get_model(self, sublinear=False):
          def init_yolo(M):
              for m in M.modules():
                  if isinstance(m, nn.BatchNorm2d):
                      m.eps = 1e-3
                      m.momentum = 0.03
          if "model" not in self.__dict__:
              from yolox.models import YOLOX, YOLOFPN, YOLOXHead
              backbone = YOLOFPN()
              head = YOLOXHead(self.num_classes, self.width, in_channels=[128, 256, 512], act="lrelu")
              self.model = YOLOX(backbone, head)
          self.model.apply(init_yolo)
          self.model.head.initialize_biases(1e-2)
      
          return self.model
  

2. 更改其他训练参数

• 不建议直接修改./yolox/exp/yolox_base.py，建议仿照./exps/example/yolox_voc/yolox_voc_s.py进行相应修改

  from yolox.exp import Exp as MyExp
  
  class Exp(MyExp):
      def __init__(self):
          super(Exp, self).__init__()
          # ---------------- model config ---------------- #
          self.num_classes = 7  # 数据中的类别
          self.depth = 1.33  # 模型的深度
          self.width = 1.25  # 模型的宽度
          self.act = "silu"  # 模型的激活函数（relu、silu等）
          
          # ---------------- dataloader config ---------------- #
          self.data_num_workers = 4  # 如果训练过程占用内存太多，可以减少该值
          self.input_size = (640, 640)  # （高、宽）
          self.multiscale_range = 5  # 实际多尺度训练中图片范围为[640 - 5 * 32, 640 + 5 * 32]，如果需要取消则设定为0
          # self.random_size = (14, 26)  # 取消注释这行来具体设定尺度范围
          self.data_dir = None  # 数据集图片的位置，如果为None则使用“dataset”文件的路径
          self.train_ann = "instances_train2017.json"  # name of annotation file for training
          self.val_ann = "instances_val2017.json"  # name of annotation file for evaluation
          self.test_ann = "instances_test2017.json"  # name of annotation file for testing
          
          # --------------- transform config ----------------- #
          self.mosaic_prob = 1.0  # 应用 mosaic aug 的概率
          self.mixup_prob = 1.0  # 应用 mixup aug 的概率
          self.hsv_prob = 1.0  # 应用 hsv aug 的概率
          self.flip_prob = 0.5  # 应用 flip aug 的概率
          self.degrees = 10.0  # 旋转角度区间 这里是 (-10，10）
          self.translate = 0.1  # 转换区间 这里是 (-0.1, 0.1)
          self.mosaic_scale = (0.1, 2)  # 马赛克尺度
          self.enable_mixup = True  # 是否应用 mixup aug
          self.mixup_scale = (0.5, 1.5)  # mixup aug 尺度
          self.shear = 2.0  # shear angle 区间，这里是 (-2, 2)
  
          # --------------  training config --------------------- #
          
          self.warmup_epochs = 5  # warmup epoch 数
          self.max_epoch = 300  # 最大训练 epoch
          self.warmup_lr = 0  # warmup 期间最小的 learning rate
          self.min_lr_ratio = 0.05  # 最小的 learning rate
          self.basic_lr_per_img = 0.01 / 64.0  # learning rate for one image. During training, lr will multiply batchsize.
          self.scheduler = "yoloxwarmcos"  # LRScheduler 名字
          self.no_aug_epochs = 15  # 最后 n 轮不使用 augmention like mosaic
          self.ema = True  # 在训练中采用 EMA 
  
          self.weight_decay = 5e-4  # 优化器的 weight_decay
          self.momentum = 0.9  # 优化器的 momentum
          self.print_interval = 10  # 迭代中输出日志的频率，如果设定为1则每次都输出log
          self.eval_interval = 10  # 训练过程中评估的 epoch 频率，这里每10个 epoch 会评估一次
          self.save_history_ckpt = True  # 是否保留训练历史的 checkpoint，如果是 False 则只有 latest and best ckpt
          self.exp_name = os.path.split(os.path.realpath(__file__))[1].split(".")[0]  # 实验名字
  
          # -----------------  testing config ------------------ #
          self.test_size = (640, 640)  # evaluation/test 期间的图片大小
          self.test_conf = 0.01  # evaluation/test 的输出阈值，可能性大于该阈值的预测结果才会被输出
          self.nmsthre = 0.65 # nms 阈值