【第9篇】YOLOX
【摘要】
摘要
在本报告中，我们介绍了 YOLO 系列的一些经验改进，形成了一个新的高性能探测器——YOLOX。我们将 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 SimO...
摘要
在本报告中，我们介绍了 YOLO 系列的一些经验改进，形成了一个新的高性能探测器——YOLOX。我们将 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，以在大量模型中实现最先进的结果：对于 YOLONano仅 0.91M 参数和 1.08G FLOPs，我们在 COCO 上获得 25.3% AP，超过 NanoDet 1.8% AP；对于业界应用最广泛的检测器之一 YOLOv3，我们在 COCO 上将其提升至 47.3% AP，比当前最佳实践高 3.0% AP；对于参数量与 YOLOv4-CSP、YOLOv5-L 大致相同的 YOLOX-L，我们在 Tesla V100 上以 68.9 FPS 的速度在 COCO 上实现了 50.0% AP，比 YOLOv5-L 高出 1.8% AP。此外，我们使用单个 YOLOX-L 模型赢得了流式感知挑战（CVPR 2021 自动驾驶研讨会）的第一名。我们希望这份报告能够在实际场景中为开发者和研究人员提供有用的经验，我们也提供了支持 ONNX、TensorRT、NCNN 和 Openvino 的部署版本。源代码位于 https://github.com/Megvii-BaseDetection/YOLOX。
1 简介
随着物体检测的发展，YOLO系列[23,24,25,1,7]始终追求实时应用的最佳速度和精度权衡。他们提取了当时可用的最先进的检测技术（例如，YOLOv2 [24] 的锚点 [26]，YOLOv3 [25] 的残差网络 [9]）并优化最佳实践的实现。目前，YOLOv5 [7] 在 COCO 上以 48.
文章来源: wanghao.blog.csdn.net，作者：AI浩，版权归原作者所有，如需转载，请联系作者。
原文链接：wanghao.blog.csdn.net/article/details/119535667
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论（0）