参考原作者：YOLOX训练自己的数据集(超详细)_AI小白一枚的博客-CSDN博客_yolox训练自己的数据集

YOLOX是旷视提出来的，研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙地集成组合，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。

一、YOLOX安装

1、下载GitHub上的代码

git clone https://github.com/Megvii-BaseDetection/YOLOX

2、安装yolov5所需要的依赖环境
（1）、安装代码依赖的库文件
cd /home/xxx/xxx/xxxr/YOLOX-main

pip3 install -U pip && pip3 install -r requirements.txt

（2）、通过setup.py安装一些库文件

通过setup.py安装一些库文件

输入命令：python3 setup.py develop

（3）、安装apex文件
输入命令：git clone https://github.com/NVIDIA/apex

sudo pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./

二、YOLOX训练自己的数据集

1、数据集预处理

在这里选择使用VOC格式对YOLOX进行训练，处理的图片主要包含三个文件夹，其中Annotations存放的是xml标签数据，JPEGImages存放的是图片数据，ImageSets存放的是训练、验证、测试的txt文件。

2、修改代码

（1）、将yolox/data/datasets/voc_classes.py中的标签信息，进行修改。

注：类别后都要加逗号，例如“car”后面加了一个逗号“，”。

（2）、修改类别数量

修改exps/example/yolox_voc/yolox_voc_s.py中的self.num_classes

修改yolox/exp/yolox_base.py中的self.num_classes

（3）、修改数据集路径配置

修改exps/example/yolox_voc/yolox_voc_s.py中的VOCDection。

data_dir是数据集的根目录，

images_sets修改为trainval

max_labels表示图片最多的目标数量，设为50。

egg:也可以通过软连接的方式加载数据集训练

ln -s /pgf_api/datasets/VOC2007 ./datasets/VOCdevkit/VOC2007

修改yolox/data/datasets/voc.py中，VOCDection函数中的读取txt文件。

将该路径修改为自己txt的路径

（4）、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。

data_dir是VOC数据集的绝对路径，

images_sets修改为test

（5）、修改不同的网络结构

以YOLOX_I网络为例，比如在exps/default/yolox_I.py中，self.depth=1.0，self.width=1.0。和Yolov5中的不同网络调用方式一样。

为了统一不同的网络结构，继续修改exps/example/yolox_voc/yolox_voc_s.py中的，self.depth和self.width。

再修改yolox/exp/yolox_base.py中的，self.depth和self.width。

（6）、修改其他相关参数

修改验证epoch的数量

目前代码中是训练迭代10个epoch，再对验证集做１次验证，但大白想每迭代1个epoch，即做一个验证，及时看到效果。

在 ./yolox/exp/yolox_base.py中搜索以下参数并修改

self.max_epoch = 300
self.print_interval = 10
self.eval_interval = 10

分别为训练最大epoch、验证间隔epoch

修改验证时的相关信息

主要对读取验证信息的相关代码进行调整，代码在yolox/data/datasets/voc.py中_do_python_eval函数中。

因为自有数据集没有year信息，所以将其中的rootpath和name修改

因为没有year信息，所以将其中的cachedir修改；修改use_07_metric的信息。

三、YOLOX训练

1、终端训练

将下载好的yolox_s.pth.tar放到YOLOX文件夹中，打开终端，在终端中输入：

python3 tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 64 -c yolox_s.pth.tar

2、Pycharm训练

修改tools/train.py中的几个参数

parser.add_argument("-b", "--batch-size", type=int, default=64, help="batch size")#根据自己机器的配置，设置batch-size的参数，比如设置为64。
parser.add_argument("-d", "--devices", default=None, type=int, help="device for training")#如果GPU服务器只有1张卡，将devices的default修改为0。
parser.add_argument("-f","--exp_file",default=None,type=str,help="plz input your experiment description file",)#将exp_file的default修改为yolox_voc_s.py的路径（如代码版本更新，可重置路径）。
parser.add_argument("-c", "--ckpt", default=None, type=str, help="checkpoint file")#如果使用预训练权重，将ckpt的default修改为模型权重的路径。

训练走起！

四、YOLOX训练及常见问题

在训练完成后，可以对训练的YOLOX算法模型进行测试，测试文件保存在tools/文件夹下，测试可以运行demo.py和eval.py这两个文件

1、demo测试

首先是选择测试的模式是图片还是视频，然后输入需要测试图片/视频的路径
- “demo” 参数包括image、video、webcam
- "--path" 参数与上述参数一致，如果是图像，指定图像绝对路径
- ```
parser.add_argument("--path", default="./assets/dog.jpg", help="path to images or video")
```

修改网络配置参数

parser.add_argument("-f","--exp_file",default='/home/oem/xxx/path_to_pro_root/YOLOX/exps/example/yolox_voc/yolox_voc_s.py',type=str,help="pls input your experiment description file",)

2、eval.py进行模型量化评估

修改测试模型路径和置信度阈值、nms阈值和测试图像大小，输出模型在测试集的mAP等指标

修改训练后模型的保存地址，以及是否使用GPU进行加速

parser.add_argument("-c", "--ckpt", default='/home/oem/XXX/PATH_TO_PRO_ROOT/YOLOX/YOLOX_outputs/yolox_voc_s/best_ckpt.pth', type=str, help="ckpt for eval")parser.add_argument("--device",default="gpu",type=str,help="device to run our model, can either be cpu or gpu",)

YOLOX训练自己标注的数据集相关推荐

（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Y ...
YOLOX训练自己的VOC数据集
文章目录一.下载YOLOX代码二.配置文件修改数据集参数三.开始训练报错1:no model named 'yolox' 报错2:No such file or directory: '/a ...
【学习记录】win10搭建YOLOX训练自己的VOC数据集
我是目录: 前言: 1.yolox的训练配置 2.yolox源码 3.必要的环境配置yolox所需环境 1.安装依赖库 2.安装yolox 3.安装apex 4.下载预训练模型 4.准备自己的数据集 ...
Yolox训练VOC数据集
使用旷视科技发布的Yolox训练自己的VOC数据集,标注文件与yolov3.yolov4.yolov5格式相同. 一.搭建Yolox代码环境 1.下载Yolox代码 Yolox代码链接:GitHub ...
【YOLOX训练部署】将自己训练的YOLOX权重转化成ONNX 并进行推理
YOLOX 训练自己的VOC数据集 [YOLOX训练部署]YOLOX训练自己的VOC数据集_乐亦亦乐的博客-CSDN博客YOLOX 环境安装与训练自己标注的VOC数据集:https://blog.cs ...
用Python对我们自己标注的数据集转化为YOLO训练需要的txt文件
用Python对我们自己标注的数据集转化为YOLO训练需要的txt文件一. 数据分类在项目的根目录下新建一个maketxt.py文件. 该脚本会在straw/ImageSets文件夹下生成:tra ...
WIN10使用YOLOX训练自己的数据集（图解超详细）
文章目录 WIN10使用YOLOX训练自己的数据集(图解超详细) 下载YOLOX源码配置环境,修改源码添加权重文件建立VOCdevkit文件夹添加数据集划分训练集和测试集修改类别为自己 ...
Win10下搭建旷视YOLOX(新一代anchor-free目标检测网络)并训练自定义CoCo格式数据集
注意:原始的YOLOX只支持乌班图系统,因此以下所有操作均需要依赖博主自己的安装包.链接:https://pan.baidu.com/s/1CoQa8WjJ89gNfexK59Ewrw 提取码:qhi ...
YOLOX训练高精度车辆检测
序言最近项目需要用到高精度的车辆检测模型,最开始想的是直接使用yolov5或者yolox的coco预训练的模型,但是发现在实际场景中精度并不是很好,因为COCO数据集中有80个类,并且数据集的错误标 ...

YOLOX训练自己标注的数据集