目录一览表本栏目分享学习经验，进行总结，后续会持续更新，相关内容也会进一步补充完善，也请朋友们指出错误，欢迎留言和私信详情关注后私信留言咨询学习经验分享|目录一览表☁️1.YOLOv5查看数据集各类别实例数目☁️2.YOLOX

本人系统内核信息(base)mr_zhang@mrzhang940328:~/桌面$uname-aLinuxmrzhang9403285.11.0-27-generic#29~20.04.1-UbuntuSMPWedAug1115:58:17UTC2021x86_64x86_64x86_64GNU/Linux1、创建conda环境condacreate-nYoloxpython=3.72、激活环境

YOLOX：2021超越YOLO系列摘要本报告中，我们对YOLO系列进行了一些有经验的改进，构成了一个新的高性能检测器——YOLOX。

0.序言论文地址:YOLOX:ExceedingYOLOSeriesin2021论文对应源码地址：https://github.com/Megvii-BaseDetection/YOLOXYOLOX是旷世科技在

学习YOLOX:ExceedingYOLOSeriesin2021论文，跑通原文demo代码及验证代码，并尝试使用飞桨框架复现。

YOLOX系列一代码下载以及win10部署文章目录YOLOX系列一任务一、代码地址以及参考论文二、环境搭建1.安装依赖包2.下载权重以及修改文件目录三、运行demo.py总结任务1、下载源码2、安装环境

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、训练：get_losses3.5.1、准备工作：get_output_and_grid3.5.2、get_losses函数：计算损失3.5.3、get_assignments函数：正负样

作业题目包含以下必做题和思考题1、必做题：1.1自己找2张其他图，用Yolox_s进行目标检测，并注明输入尺寸和两个阈值。2、思考题：2.1Yolox_s：用time模块和for循环，对”./ima

文章链接Scaled-YOLOv4-文章链接YOLOv5-文章链接YOLOv6-文章链接YOLOv7-文章链接PP-YOLO-文章链接PP-YOLOv2-文章链接YOLOR-文章链接YOLOS-文章链接YOLOX

importnumpyasnpfromscipy.statsimportpearsonrimportcsv#导入数据Housing_dataset=np.loadtxt(r"D:\neuralnetworks\YOLOX-main

一、代码下载源代码来自：GitHub-bubbliiiing/yolox-tf2:这是一个yolox-tf2的源码，可以用于训练自己的模型。

就在今天我自己使用了yolox的代码做了一个pdf内容定位，简单分享一下1.代码下载yolox项目代码下载各位自己去github下载2.环境安装环境安装大家百度，我是用到**pycharm**我记得在下载的代码里面有需要安装环境的一个文件

课程链接：https://edu.csdn.net/course/detail/35815YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4/YOLOv5。

安装报错解决方法2.安装报错解决方法1解决方法2四、安装pycocotools五、验证环境检测结果：看到下图说明环境没有问题了六、数据集七、修改配置1、修改类别个数2、修改类别3、修改数据集目录参考链接前言YOLOX

或者你自己改yolox读取数据的代码，忽略掉id为0的标签。

win10下安装YOLOX搞了我一周时间，都是各种版本不匹配导致的，最后发现下面这个链接里的版本是可用的：Windows10yolox安装_꧁༺ʚvv༒catɞ༻꧂的博客-CSDN博客_win10安装yoloxWindows

一、YOLOX

目录前言yolox网络结构yoloxNeck网络结构Neck组件Neck组件源码NeckFPN源码实现前言yoloxbackbone部分介绍yolox:https://github.com/Megvii-BaseDetection

YOLOX网络结构之前写过一个YOLOX训练自己的VOC标注的数据，近期调试了一下YOLOX源码，根据代码结构及之前的网络提供的YOLOV5结构，绘制了YOLOX-S的网络结构，如下图所示：说明：1.模块上面的名字为代码中的名字

yolox构建模型时，是通过yolox_base.py中的get_model函数获取，其中分成两部分YOLOXPAFPN与YOLOXHead两个类，由YOLOX加载封装整个网络。

YOLOX论文：YOLOX:ExceedingYOLOSeriesin2021代码链接：https://github.com/Megvii-BaseDetection/YOLOX随着目标检测技术的发展，

论文：YOLOX:ExceedingYOLOSeriesin2021论文链接：https://arxiv.org/pdf/2107.08430.pdf代码链接：https://github.com/Megvii-BaseDetection

importmatplotlib.pyplotaspltimportosimportnumpyasnpfi_1=open('YOLOX_outputs/yolox_voc_m/train_log.txt

所以尝试直接下载yolox的官方预训练模型作为检测模型进行多目标跟踪。

C#在工业上软件开发使用很多，但是如果要做深度学习的话，C#明显力不从心，为了解决C#在目标追踪中短缺，封装了一个bytrack的.NET库，可以通过这个库和yolov3/yolov4/yolov5/yolox

⚠两个代码的两端对齐yolox/data/data_auguments.py工具/demo_track.pybytetrack的Downloas预训练文件Test视频文件onnxruntime下载ByteTrackGithub

目标检测是计算机视觉任务的核心问题之一，其有效性在很大程度上取决于损失函数的定义。传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即GIoU、CIoU、ICIoU等）的距离、重叠区域和纵横比。然而，迄今为止提出和使用的方法都没有考虑到所需真实框与预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，因为预测框可能在训练过程中“四处游荡”并最终产生更差的模型。在本文中，提

#今日论文推荐#即插即用|SIoU实现50.3AP+7.6ms检测速度精度、速度完美超越YoloV5、YoloX目标检测是计算机视觉任务的核心问题之一，其有效性在很大程度上取决于损失函数的定义。

目标检测YOLO系列：你有我无YOLOX目标检测YOLO系列：开篇目标检测YOLO系列：开宗立派YOLOv1目标检测YOLO系列：更快更准YOLOv2目标检测YOLO系列：持续改进YOLOv3目标检测YOLO

YOLOv1目标检测YOLO系列：更快更准YOLOv2目标检测YOLO系列：持续改进YOLOv3目标检测YOLO系列：你有我有YOLOv4目标检测YOLO系列：快速迭代YOLOv5目标检测YOLO系列：你有我无YOLOX

YOLOv1目标检测YOLO系列：更快更准YOLOv2目标检测YOLO系列：持续改进YOLOv3目标检测YOLO系列：你有我有YOLOv4目标检测YOLO系列：快速迭代YOLOv5目标检测YOLO系列：你有我无YOLOX

YOLOv1目标检测YOLO系列：更快更准YOLOv2目标检测YOLO系列：持续改进YOLOv3目标检测YOLO系列：你有我有YOLOv4目标检测YOLO系列：快速迭代YOLOv5目标检测YOLO系列：你有我无YOLOX

YOLOv1目标检测YOLO系列：更快更准YOLOv2目标检测YOLO系列：持续改进YOLOv3目标检测YOLO系列：你有我有YOLOv4目标检测YOLO系列：快速迭代YOLOv5目标检测YOLO系列：你有我无YOLOX

YOLOv1目标检测YOLO系列：更快更准YOLOv2目标检测YOLO系列：持续改进YOLOv3目标检测YOLO系列：你有我有YOLOv4目标检测YOLO系列：快速迭代YOLOv5目标检测YOLO系列：你有我无YOLOX1

YOLOv1目标检测YOLO系列：更快更准YOLOv2目标检测YOLO系列：持续改进YOLOv3目标检测YOLO系列：你有我有YOLOv4目标检测YOLO系列：快速迭代YOLOv5目标检测YOLO系列：你有我无YOLOX

点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标跟踪】技术交流群后台回复【目标跟踪综述】获取单目标、多目标、基于学习方法的领域综述！代码开源：https://github.com/megvii-research/MOTRv2摘要在本文中，作者提出了MOTRv2，一个简单而有效的pipline，通过预训练的目标检测器引导端到端的多目标跟踪。现有的端到端方

YOLOX:ExceedingYOLOSeriesin2021学习笔记摘要在本报告中，作者展示了对YOLO系列的一些经验改进，形成了一种新的高性能检测器—YOLOX。

此时距离YOLOX开源差不多刚好一年的时间。之前捏过很多YOLO系列的推理例子，比如YOLOv3、YOLOv4、YOLOv5、YOLOX、YOLOR和YOLOP等等。

YOLOX验证eval.py文件报错sizemismatchforhead.cls_preds.0.weight:copyingaparamwithshapetorch.Size([20,96,1,1]

引言因为找工作的原因，面试中经常遇到目标检测的问题，在2022年的现在，大多是对单步目标检测算法YOLO家族系列展开一系列追问，比如Yolov3、Yolov4、Yolov5、Yolox算法。

YOLOX:ExceedingYOLOSeriesin2021YOLOX论文链接:https://arxiv.org/abs/2107.08430一、ProblemStatement提出一些tricks

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

yolov5的head修改为decoupleheadyolox的decoupledhead结构本来想将yolov5的head修改为decoupledhead，与yolox的decouplehead对齐，

0前言由于YOLOx是基于Linux系统编写的代码，如果要跑通demo.py，需要对代码进行修改。在论坛上看了一圈，记录Windows系统的很少，所以有了这篇文章。

1.注册类刚开始就给我看蒙了，明明读取的配置文件是exp/default/yolox_s.py，但是这个文件不存在啊，相似的文件是exps/default/yolox_s.py。

paddledetection上自带yolox模型文件，修改一些设计即可训练。

原始的test.txt内容如下：提取出来的内容如下：importosif__name__=='__main__':#将每行的内容单独读取到一个列表中withopen('test.txt','r')asf:#这个是Main里面的test.txt内容datalist=f.readlines()data=[]fordindatalist:data.append(d.strip().split())lab

YOLOX训练数据集（东北大学数据集）参考博文添加链接描述1.版本配置cuda:11.6#nvidia-smi查看自己电脑支持的版本Python:3.9torch-1.12.0+cu116-cp39-cp39

YOLOX主要改进：Anchor-Free:FCOSDecoupleddetectionheadAdvancedlabelassigningstrategyNetworkstructureimprovementDecoupleddetectionhead

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