目錄：

1.必要環境

2.YOLOX安裝及模型推理

3.訓練自己資料集及測驗

1.必要環境

我的環境是：Windows10+python3.9+CUDA11.1+CUDNN8.1.1

在此環境配置不再多說，網上有很多的教程，本篇主要還是記錄YOLOX的使用，（這里安裝torch有個小坑，如果起初未安裝torch,使用requirements.txt安裝，則安裝的為cpu版本，而此處我們使用的是gpu版本，注意別踩坑）

2.YOLOX安裝

配置YOLOX的環境

2.1 進入github官網下載原始碼：GitHub - Megvii-BaseDetection/YOLOX: YOLOX is a high-performance anchor-free YOLO, exceeding yolov3~v5 with MegEngine, ONNX, TensorRT, ncnn, and OpenVINO supported. Documentation: https://yolox.readthedocs.io/https://github.com/Megvii-BaseDetection/YOLOX

2.2 安裝依賴包：

pip install -r requirements.txt

2.3 安裝yolox

python setup.py install

2.4 下載apex，解壓到專案檔案夾內 地址：mirrors / nvidia / apex · GIT CODE

2.5 cd到apex檔案夾內，安裝apex

cd apex-master
python setup.py install

2.6 回傳yolox的主檔案夾下，安裝pycocotools

pip install pycocotools

2.7下載預訓練模型，在2.1步驟給的網址中即可下載

2.8測驗效果

測驗圖片指令：

python tools/demo.py image -f exps/default/yolox_s.py -c ./yolox_s.pth --path assets/dog.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

效果：

3. 訓練自己的資料集

此處制作資料集的步驟不再贅述，

3.1 首先按要求設定檔案夾目錄：

將圖片放入JPEGImages中，xml檔案放入Annotations

3.2 使用txt_write.py,劃分資料集，并寫入main檔案夾下，生成trainval.txt和test.txt，

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'E:/YOLOX-main/datasets/VOC/VOCdevkit/VOC2007/Annotations'
txtsavepath = 'E:/YOLOX-main/datasets/VOC\VOCdevkit/VOC2007/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftest = open('E:/YOLOX-main/datasets/VOC/VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'w')
ftrain = open('E:/YOLOX-main/datasets/VOC/VOCdevkit/VOC2007/ImageSets/Main/trainval.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftest.write(name)
    else:
        ftrain.write(name)

ftrain.close()
ftest.close()

3.3 修改 yolox/data/dataloading.py 如下：

3.4 修改exps/example/yolox_voc/yolox_voc_s.py如下：

修改num_classes改為自己的類別數量

3.5 修改yolox/data/datasets/voc_classes.py為自己的類別

3.6 修改yolox/evaluators/voc_eval.py 如下

在yolox/exp/yolox_base.py

修改self.data_num_workers = 0

執行python setup.py install 更新yolox

此時運行訓練代碼報如下錯誤：Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.

方法解決：在train.py檔案中添加代碼：

import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

3.7 運行代碼開始訓練 ：

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4 --fp16 -o -c yolox_s.pth

-d 使用顯卡個數
-b 批次大小
–fp16 是否開啟半精度訓練
-c 加載預訓練模型

如果出現CUDA out of memory記憶體溢位，將–fp16 -o去掉，代碼改為如下：

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4 -c yolox_s.pth

繼續上一批次恢復訓練的話，改成如下形式：

將—resume改為True，-c后面跟接要繼續訓練的權重檔案
代碼如下：

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4 -c YOLOX_outputs/yolox_voc_s/latest_ckpt.pth

運行截圖：

為了演示，本次訓練，就訓練了2輪，

結果存入：

測驗：

4.1 測驗前修改demo.py如下：

注釋掉COCO_CLASSES,加入VOC_CLASSES

4.2 測驗代碼

python tools/demo.py image -f exps/default/yolox_s.py -c ./latest_ckpt.pth --path assets/001.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

結果：

因為訓練輪數為2輪，所以識別框不是很準確，

到此，YOLOX復現成功，

完結！