YOLOX讲解

（1）标准网络结构：Yolox-s、Yolox-m、Yolox-l、Yolox-x、Yolox-Darknet53。

（2）轻量级网络结构：Yolox-Nano、Yolox-Tiny。

在实际的项目中，大家可以根据不同项目需求，进行挑选使用。

在设计算法时，为了对比改进trick的好坏，常常需要选择基准的模型算法。

而在选择Yolox的基准模型时，作者考虑到：

Yolov4和Yolov5系列，从基于锚框的算法角度来说，可能有一些过度优化 ，因此最终选择了Yolov3系列。

不过也并没有直接选择Yolov3系列中标准的Yolov3算法，而是选择添加了spp组件，性能更优的Yolov3_spp版本 。

下面是YOLOV3_spp的网络结构图

我们在前面知道，当得到Yolov3 baseline后，作者又添加了一系列的trick，最终改进为Yolox-Darknet53网络结构。 为了便于分析改进点，我们对Yolox-Darknet53网络结构进行拆分，变为四个板块：

① 输入端 ：Strong augmentation数据增强

② BackBone主干网络 ：主干网络没有什么变化，还是Darknet53。

③ Neck ：没有什么变化，Yolov3 baseline的Neck层还是FPN结构。

④ Prediction ：Decoupled Head、End-to-End YOLO、Anchor-free、Multi positives。

在网络的输入端，Yolox主要采用了Mosaic、Mixup 两种数据增强方法。

Mosaic增强的方式，是U版YOLOv3引入的一种非常有效的增强策略。

而且在Yolov4、Yolov5算法中，也得到了广泛的应用。

通过随机缩放、随机裁剪、随机排布的方式进行拼接，对于小目标 的检测效果提升，还是很不错的。

MixUp是在Mosaic基础上，增加的一种额外的增强策略 。 其实方式很简单，比如我们在做人脸检测 的任务。

先读取一张图片，图像两侧填充，缩放到640*640大小，即Image_1，人脸检测框为红色框。

再随机选取一张图片，图像上下填充，也缩放到640*640大小，即Image_2，人脸检测框为蓝色框。

然后设置一个融合系数，比如上图中，设置为0.5，将Image_1和Image_2，加权融合，最终得到右面的Image。

从右图可以看出，人脸的红色框和蓝色框是叠加存在的。

我们知道，在Mosaic和Mixup的基础上，Yolov3 baseline增加了2.4个百分点。

不过有两点需要注意 ：

（1）在训练的最后15个epoch，这两个数据增强会被关闭掉。

而在此之前，Mosaic和Mixup数据增强，都是打开的，这个细节需要注意。

（2）由于采取了更强的数据增强方式，作者在研究中发现，ImageNet预训练将毫无意义， 因此，所有的模型，均是从头开始训练的 。

Yolox-Darknet53的Backbone主干网络，和原本的Yolov3 baseline的主干网络都是一样的。都是采用Darknet53 的网络结构。

在Neck结构中，Yolox-Darknet53和Yolov3 baseline的Neck结构，也是一样的，都是采用FPN 的结构进行融合。

在输出层中，主要从四个方面进行讲解：Decoupled Head、Anchor Free、标签分配、Loss计算 。

论文作者在实验中发现，不单单是精度上 的提高，替换为Decoupled Head后，网络的收敛速度也加快了 。

因此可以得到一个非常关键的结论：

★ 目前Yolo系列使用的检测头，表达能力可能有所欠缺，没有Decoupled Head的表达能力更好。

但是需要注意的是：将检测头解耦，虽然可以加快模型的收敛速度，但同时会增加运算的复杂度。

因此作者经过速度和性能上的权衡，最终使用 1个1x1 的卷积先进行降维，并在后面两个分支里，各使用了 2个3x3 卷积，最终调整到仅仅增加一点点的网络参数。

我们将Yolox-Darknet53中，Decoupled Head①提取出来，经过前面的Neck层，这里Decouple Head①输入的长宽为20*20。

从图上可以看出，Concat前总共有三个分支 ：

（1）cls_output：主要对目标框的类别，预测分数 。因为COCO数据集总共有80个类别，且主要是N个二分类判断，因此经过Sigmoid激活函数处理后，变为202080大小。

（2）obj_output：主要判断目标框是前景还是背景 ，因此经过Sigmoid处理好，变为20201大小。

（3）reg_output：主要对目标框的坐标信息（x，y，w，h）进行预测 ，因此大小为20204。

最后三个output，经过Concat融合到一起，得到202085的特征信息。

当然，这只是Decoupled Head①的信息，再对Decoupled Head②和③进行处理。

anchor的问题：

①使用anchor时，为了调优模型，需要对数据聚类分析，确定最优锚点，缺乏泛化性。

②anchor机制增加了检测头复杂度，增加了每幅图像预测数量（针对coco数据集，yolov3使用416416图像推理， 会产生3(1313+2626+52*52）*85=5355个预测结果)。

使用ancho-free可以减少调整参数数量，减少涉及的使用技巧，即直接预测bbox

从原有一个特征图预测3组anchor 减少成只预测1组 ，直接预测4个值 （左上角xy坐标和box高宽） 。减少了参数量和GFLOPs，使速度更快，且表现更好。

当有了8400个Anchor锚框后，这里的每一个锚框，都对应85*8400特征向量中的预测框信息。

不过需要知道，这些预测框只有少部分是正样本，绝大多数是负样本。

这里需要利用锚框和实际目标框的关系，挑选出一部分适合的正样本锚框。

那么在Yolox中，是如何挑选正样本锚框的呢？

这里就涉及到两个关键步骤：初步筛选、SimOTA 。

初步筛选的方式主要有两种：根据中心点来判断、根据目标框来判断 ；

我们知道有8400个锚框，但是经过初步筛选后，假定有1000个锚框是正样本锚框。 SimOTA 进行精细化筛选

在对Yolov3 baseline进行不断优化，获得不错效果的基础上。

作者又对Yolov5系列，比如Yolov5s、Yolov5m、Yolov5l、Yolov5x四个网络结构，也使用一系列trick进行改进。

先来看一下，改进了哪些地方？

我们主要对Yolov5s进行对比，下图是Yolov5s的网络结构图：

这里对yolov5的改进与yolov3_spp的改进类似

我们再看一下Yolox-s的网络结构：

由上面两张图的对比，及前面的内容可以看出，Yolov5s和Yolox-s主要区别在于：

（1）输入端：在Mosa数据增强的基础上，增加了Mixup数据增强效果；

（2）Backbone：激活函数采用SiLU函数；

（3）Neck：激活函数采用SiLU函数；

（4）输出端：检测头改为Decoupled Head、采用anchor free、multi positives、SimOTA的方式。

在前面Yolov3 baseline的基础上，以上的tricks，取得了很不错的涨点。