simOTA

基于轻量级模型YOLOX-Nano的菜品识别系统

年被旷视科技公司提出的高性能且无锚框（Anchor-free）的检测器，在YOLO系列的基础上吸收近年来目标检测学术界的最新成果，如解耦头（DecoupledHead）、数据增强、无锚框、标签分配策略SimOTA

钟良堂·2024-02-09 05:46

【目标检测】YOLOv7算法实现(二)：正样本匹配(SimOTA)与损失计算

本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralyticsYOLO源码Github，删减了源码中部分内容，满足个人科研需求。本篇文章在YOLOv5算法实现的基础上，进一步完成YOLOv7算法的实现。YOLOv7相比于YOLOv5，最主要的不同之处如下：模型结构：引进了更为高效的特征提取模块(ELAN)、下采样模块(MP)，不同的空

初初初夏_·2024-01-23 07:02

YOLOv5改进之OTA、SimOTA

一、OTA1.1原理OTA原论文链接：https://readpaper.com/paper/3148566359此处推荐一篇博文，对OTA讲解的非常详细：https://blog.csdn.net/hymn1993/article/details/1272786411.2如何改进ota代码如下：importtorch.nn.functionalasFfromutils.metricsimport

qq_41920323·2024-01-14 14:47

正负样本分配策略simOTA

simOTA是YOLOX中提出的正负样本分配策略（OTA,SimOTA，TAS）OTA源于2021年cvpr的论文，使训练和验证的标签有着更好的对应关系。

cv-daily·2024-01-12 08:57

YOLOX损失函数详细解释-------------(供自己学习使用）

原因是simOTA动态匹配正样本的部分花费太多时间2.文章思想部分借鉴了很多大佬3.代码部分直接看的Bubbliiing佬4.我只记录我看懂的部分，博客写的不好轻喷，欢迎指正YA！

完◎笑·2023-09-30 01:31

YOLOX：Exceeding YOLO Series in 2021

YOLOX：ExceedingYOLOSeriesin2021一引言二SimOTA将YOLO检测器切换为无锚方式，并采用其他先进技术，解耦的头部和领先的标签分配策略SimOTA，以实现跨大规模模型范围的最新成果

桑_榆·2023-08-08 09:46

【目标检测】---- 正负样本匹配策略

前背景损失时都需用到正负样本匹配，目前分为两大类：第一类fixedlabelassignment，常用的主要有MaxIou、ATSS、focos第二类dyanmiclabelassignment，常用的主要有simOTA

aolaf·2023-04-05 22:33

YOLOv8原理解析：重新定义实时目标检测的速度和精度

2.3YOLOv8yaml文件与YOLOv5yaml文件对比2.3.1参数部分2.3.2主干部分2.3.3Neck部分2.3.4Head部分2.4正负样本分配策略2.4.1静态分配策略和动态分配策略有什么区别2.4.2simOTA

迪菲赫尔曼·2023-04-04 17:12

YOLOv6-目标检测论文解读

文章目录摘要问题算法网络设计BackboneNeckHead标签分配SimOTA（YOLOX提出）：TAL（Taskalignmentlearning，TOOD提出）损失函数分类损失框回归损失目标损失行业有用改进自蒸馏图像灰度边界填充量化及部署实验消融实验损失函数量化实验结论论文

‘Atlas’·2023-03-10 07:57

[深度文]YoloX部署、优化、训练相关

Kfi4wYOLOX的AnchorFree（AnchorBased针对数据集聚类分析得到AnchorBox的方式，怕对泛化会有影响，尤其前期缺乏现场数据时）以及更有效的LabelAssignment（SimOTA

人工智能与算法学习·2023-02-27 19:29

YOLOX训练、测试、部署（python,C++）与改进

Yolox模型架构模型结构由backbonex、neck、head组成backbone:CSPDarknet53neck:PAFPNhead:DecoupledHead、AnchorFree、SimOTA1

Walker@Bruce Lee·2023-02-25 21:05

百面计算机视觉 --yolov5 yolov7 目标检测网络改进：引入特征细化网络，重建检测颈部网络，层层递进

验证过程等等，基本上熟悉v5就可以无脑上手v7了；此外，v7也有不少继承自YOLOR，毕竟是同一个作者前后年的工作，包括不同网络的设计、超参数设置以及隐性知识学习的加入；还有就是在正样本匹配时仿照了YOLOX的SimOTA

人工智能曾小健·2023-02-22 17:23

simOTA 彻底理解

simOTA出现在YOLOX中，是作为正样本匹配，能达到自动分析一个Gt需要匹配哪些正样本。要解决的问题就是M个正样本如何分配给N个Gt框去做预测的优化问题。

maxruan·2023-02-07 09:46

【目标检测】58、目标检测中的正负样本分配策略总结

文章目录一、Anchor-bases方法1.1FastRCNN1.2FasterRCNN1.3SSD1.4RetinaNet1.5YOLOv11.6ATSS1.7OTA1.8SimOTA二、Anchor-free

呆呆的猫·2023-01-15 18:06

【目标检测】yolo系列yolo x学习笔记(2021年旷视)

yoloX的改进点2.1DecoupledHead(解耦头)2.2数据增强：Mosaic+MixUp2.3AnchorFree2.4LabelAssignment(样本匹配)作者尝试了3种正样本选择方式：SimOTA

超级无敌陈大佬的跟班·2023-01-07 13:12

【YOLOX关键模块记录与解读】YOLOX: Exceeding YOLO Series in 2021

目录前言一、主干部分的Focus网络结构二、解耦头三、Mosaic数据增强四、AnchorFree五、SimOTA标签匹配策略六、参考资料前言论文地址：https://arxiv.org/abs/2107.08430

阳春布德泽23·2022-12-22 21:20

YOLOX-单阶段目标检测模型

4，SimOTA，来源于自家的工

Wastoon·2022-12-10 04:40

Pytorch机器学习（十一）—— Anchor Free与SimOTA

AnchorFree与SimOTA目录AnchorFree与SimOTA前言二、AnchorBased工作机制二、AnchorFree工作机制三、AnchorFree需要解决的问题Center-nessOTA1

lzzzzzzm·2022-12-10 04:26

【目标检测】36、OTA: Optimal Transport Assignment for Object Detection

文章目录一、背景二、方法2.1OptimalTransport2.2OTforlabelassignment2.3Centerprior2.4DynamickEstimation三、效果四、OTA代码片五、SimOTA

呆呆的猫·2022-12-10 04:23

目标检测标签分配之 OTA 和 SimOTA 细节学习

本文参考：https://blog.csdn.net/weixin_46142822/article/details/124074168该作者写的细节我认为应该是SimOTA的细节。

理心炼丹·2022-12-10 03:02

[论文翻译]YOLOX: Exceeding YOLO Series in 2021

我们将YOLO检测器变成无锚模式，并实施了一些其他先进检测技术，即，一个解耦头和引导标签分配策略SimOTA在大尺度范围模型中达到SOTA结果：对于仅有0.91M参数和1.08FLOPs的YOLONano

查小小小米·2022-12-08 10:14

【YOLOX 论文+源码解读】YOLOX: Exceeding YOLO Series in 2021

目录前言一、整体网络架构二、改进点1.1、解耦头1.2、AnchorFree1.3、SimOTA三、源码解析3.1、Backbone3.2、Neck3.3、head3.4、预测：decode_outputs3.5

满船清梦压星河HK·2022-12-08 10:05

Yolo系列的高效更精确的目标检测框架（附源代码）

Edison_GYOLOX在YOLO系列的基础上做了许多有意思的工作，其主要贡献在于：在YOLOV3的基础上，引入了“DecoupledHead”，“DataAugmentation”，“AnchorFree”和“SimOTA

计算机视觉研究院·2022-12-04 11:50

YOLOX Exceeding YOLO Series in 2021

作者将YOLO检测器切换为无锚方式并进行其他高级检测技术，即解耦头和领先的标签分配策略SimOTA，以在大规模模型范围内实现最先进的结果：对于YOLONano只有0.91M参数和1.08GFLOPs，作者在

小梦人心·2022-12-02 11:44

yolov5使用simota

yolov5使用simota1.在utils中添加simota.py，是根据yolox中的yolo_head.py修改主要修改(1)将x,y,w,h的转换方式改为yolov5的转换方式(2)target

qq_34496674·2022-12-01 15:36

YOLOX：SimOTA算法细节

SimOTA的思想是：以最小的代价cost得到最好的学习效果。

Taylor不想被展开·2022-11-25 00:48

YOLO_v6讲解

文章目录一：创新点二：Backbone三：RepPANNeck四：EfficientDecoupledHead五：Anchor-free无锚范式六：SimOTA七：SIoU八：总结一：创新点YOLOv5

江南綿雨·2022-11-22 16:56

目标检测之YOLOX: Exceeding YOLO Series in 2021

下载：https://arxiv.org/abs/2107.084300.摘要有几个特点：1.anchor-free2.主干网络CSPDarknet和Focus3.DecoupledHead解耦头4.SimOTA1

Diros1g·2022-11-22 15:47

YOLOX: Exceeding YOLO Series in 2021

我们将YOLO检测器切换到无锚方式，并采用其他先进的检测技术，即解耦头和领先的标签分配策略SimOTA，以在大范围的模型中实现最先进的结果：YOLONano，只有0.91M参数和1.08GFLOP，我们在

赱在冷風中·2022-11-22 15:01

YoloX中标签匹配策略SimOTA代码详解

一、SimOTA理论介绍这里我简单的介绍一下，在YOLOX中SimOTA的标签匹配策略主要分为了两个步骤：粗筛选和细筛选。

发光吧·2022-11-21 06:38

YOLOX论文逐句翻译

比如：解耦头，先进的标签分类策略SimOTA。并在大量的模型中实现了最先进的成果（SOTA）。对于YOLO-NANO，我们只用0.91M的参数，且每秒浮点运算次数达到1.08

一尘染·2022-11-19 12:47

YOLOX论文讲解和无人机检测项目实战

anchorAnchorbased方法的缺点Anchorfree的目标检测Anchorfree的目标检测AnchorFreeYOLOX解耦的检测头共享的YOLOHead解耦YOLOHead的意义YOLOX解耦检测头正负样本匹配基于simOTA

@BangBang·2022-11-14 08:31

YOLOX详细解读（一）论文解读

论文解读0.摘要1.介绍2.YOLOX2.1YOLOX-DarkNet53实现细节：YOLOV3baseline：目标检测中的解耦头：强数据增强：Anchor-free：Multipositives：SimOTA

楚楚小甜心·2022-10-21 07:55

小白读论文-YOLOX（2021年6.8）

2107.08430.pdf代码地址：https://github.com/Megvii-BaseDetection/YOLOXYOLOX摘要亮点：1.采用anchor-free的方式2.解耦头部3.采用SimOTA

dear_queen·2022-10-21 07:22

【目标检测】YOLOX ，YOLO系列的集大成者

Decouplehead）三、YOLOX的改进之处3.1数据增强（dataaugmentation）3.2Anchor-free（不使用anchor）3.3Multipositives（多个正样本）3.4SimOTA

ctrl A_ctrl C_ctrl V·2022-10-12 09:08

YOLOX：超越2021年前的YOLO系列

我们将YOLO检测器切换为AnchorFree方式，并采用其他先进的检测技术，即解耦头（decoupledhead）和新的标签分配策略SimOTA，以在不同模型比较中实现最先进的结果：对于YOLO-Nano

tzc_fly·2022-10-12 09:08

目标检测5--旷视YOLOX算法介绍

文章目录1.简介2.YoloX所做的主要工作2.1分类/回归头解耦(Decoupledhead)2.2SimOTA2.3End2EndYolo(NMSFree)2.4其他参考资料欢迎访问个人网络日志知行空间论文地址

恒友成·2022-10-12 09:01

YOLOV7详细解读（三）技术要点归纳

楚楚小甜心·2022-09-22 07:18

yolov7基础知识先导篇

*免责声明:1\此方法仅提供参考2\搬了其他博主的操作方法,以贴上路径.3*场景一:MP场景二:高效聚合网络场景三:SPPCSPC场景四:结构重参数化场景五:标签分配–>细分方法：simOTA场景六:模型复合缩放

weeksooo·2022-09-14 07:39

Yolox

吧YOLOX在YOLO系列的基础上做了许多有意思的工作，其主要贡献在于：在YOLOV3的基础上，引入了“DecoupledHead”，“DataAugmentation”，“AnchorFree”和“SimOTA

tt姐·2022-08-27 07:47

【深度学习】百度：YOLOX和NanoDet都没我优秀！轻量型实时目标检测模型PP-PicoDet开源...

本文对anchor-free策略在轻量型检测器中的应用进行了探索；对骨干结构进行了增强并设计了一种轻量Neck部件；同时对SimOTA策略与Loss进行了改进。

风度78·2022-07-24 07:13

论文笔记：YOLOX

-知乎YOLOX深度解析-知乎YOLOX深度解析（二）-simOTA详解-知乎改进点：各种tricks组合，效果很好Decoupledhead加快收敛速度、提高APStrongdataaugmentationaddMosaicandMixUpintoouraugm

_击空明兮溯流光_·2022-07-24 07:36

学习记录：正负样本分配策略之YoloX | SimOTA-简单易懂版

学习记录：正负样本分配策略之YoloX|SimOTA-简单易懂版文献阅读和分享目标检测领域趋势正负样本分配策略——SimOTA网络训练（恋爱历程）SimOTA具体流程（中介分配对象流程）一、初步筛选（外貌协会

Double-Zh·2022-07-24 07:34

YOLOX中的SimOTA

1、确定正样本候选区域（调用get_in_boxes_info确定候选区域）将gt里面的点或者在center_radius范围内的点作为候选正样本点defget_in_boxes_info(self,gt_bboxes_per_image,expanded_strides,x_shifts,y_shifts,total_num_anchors,num_gt,):expanded_strides_p

Cassiel_cx·2022-07-04 07:53

YoloX | SimOTA标签匹配策略

文章目录1.SimOTA简要介绍2.SimOTA具体实现3.SimOTA实现代码在之前阅读YoloX的时候已经做过一次笔记，论文主要的重点与更改的地方，亮点介绍了一遍，见：论文阅读笔记|目标检测算法——

Clichong·2022-06-16 07:05

YOLOX网络结构详解

2107.08430论文对应源码地址：https://github.com/Megvii-BaseDetection/YOLOX文章目录0前言1网络结构2Anchor-Free3损失计算4正负样本匹配策略SimOTA0

太阳花的小绿豆·2022-06-08 07:25

YoloX算法学习（1）

SimOTA①通过anchor中心在GT内部以及GT中心点周围2.5个像素范围内的anchor,首先粗筛确定一批候选框②对这批候选框执行SimOTA分配策略，为每个GT动态分配dynamic个候选框，M

你真是个胆小鬼i·2022-04-10 18:40

目标检测：YOLOX 解读

摘要YOLOX把YOLO系列的检测头换成了anchorfree的方式，并且采取了一些优化策略：样本分配策略：simOTA，decoupledhead（解耦头）的思想。

chairon·2022-04-10 18:27

yolox知识点

2、yolox-darknet53:对yolov3基础模型添加各种trick是，例如Decopledhead，SimOTA,anchorfree等。

花花花哇_·2022-03-18 05:20

聊聊YOLOv5、YOLOX、Nanodet

YOLOv5大家应该很熟悉了YOLOX在YOLO系列的基础上做了一系列工作，其主要贡献在于：在YOLOv3的基础上，引入了DecoupledHead，DataAug，AnchorFree和SimOTA样本匹配的方法

billyhhzh·2022-03-18 05:04

推荐频道