【深度学习】解决YOLOX训练时AP为0

文章目录[隐藏]

一、问题描述
二、发现问题
三、解决问题
四、训练并测试效果

训练Coco数据集可查看： YOLOX训练COCO数据集

前段时间被YOLOX刷屏了，各个公众号都在强推，号称：性能超Yolov5，吊打一切YOLO

于是，我满怀期待，下载下源码，准备试一试．．．

一、问题描述

嗯，没错，遇到了一堆bug，不过好在都解决了，最后训练的时候
在这里插入图片描述
好家伙，AP一直为0，上 Github 的 YOLOX 的 Issues 上一搜索，看来遇到同样问题的不止我一个
而且根据有些答复修改，发现也不对，最后陷入沉思．．．

直到昨天群组里，偶然有人说他成功使用了YOLOX并且进行了部署，我就呆了，告诉了他我训练时AP为0，并询问了他具体使用方法，当然得到的答复并没有真正解决我的问题．．．

二、发现问题

于是今早我又开始调试，检查，我突然想到是不是 数据加载出了问题

结果发现，还真就是这块儿导致的问题

三、解决问题

首先，保证自定义VOC格式数据是否正确

├─datasets
│  └─VOCdevkit
│      └─VOC2007
│          ├─Annotations
│          ├─ImageSets
│          │  └─Main
│          └─JPEGImages

在 Main 文件夹下一定有对应的 train.txt 和 val.txt

然后，对yolox/data/datasets/voc_classes.py进行修改，修改成你训练数据的类别（保险起见，最好每一个类别后都加上 ,）：
```
VOC_CLASSES = (
"panda",
"tiger",
)
```

接着修改yolox/exp/yolox_base.py

(这里应该也可以不用修改，因为后面的exps/example/yolox_voc/yolox_voc_s.py会对self.num_classes进行重载)
将self.num_classes修改为自己的类别数
self.num_classes = 2 (我的数据集是 2)

你还可以修改 self.inputsize, self.random_size 改变训练尺寸大小

你还可以修改 self.test_size 改变测试的尺寸大小

接下来两条是重点：

对yolox/data/datasets/voc.py 下的 _do_python_eval 方法进行修改

annopath = os.path.join(rootpath, "Annotations", "{:s}.xml")

修改为

annopath = os.path.join(rootpath, "Annotations", "{}.xml")

我的问题主要体现在了exps/example/yolox_voc/yolox_voc_s.py，相信大部分伙伴训练时出现 AP=0 也是因为这里的原因
```
修改 self.num_classes = 2

修改 get_data_loder 下的 VOCDetection 下的 image_sets=[('2007', 'trainval'), ('2012', 'trainval')],
修改为 image_sets=[('2007', 'train')]

修改 get_eval_loader 下的 VOCDetection 下的 image_sets=[('2007', 'test')],
修改为 image_sets=[('2007', 'val')]
```
重要的事再重复下

get_data_loder下的 VOCDetection 下的

image_sets=[('2007', 'trainval'), ('2012', 'trainval')],

修改为 image_sets=[('2007', 'train')]

更为重要的是：get_eval_loader 下的 VOCDetection 下的

image_sets=[('2007', 'test')],

一定要修改为 image_sets=[('2007', 'val')]，因为我们验证的数据在val.txt，而不是test.txt，这应该也是为什么 AP 一直为0的原因

最后修改下tools/train.py中的参数配置

设置 default="Animals"， 训练后结果就会保存在 tools/YOLOX_outputs/Animals下
parser.add_argument("-expn", "--experiment-name", type=str, default=None)

设置 model_name，我也不太清楚这是不是必须项 (我觉得不是)
parser.add_argument("-n", "--name", type=str, default="yolox-s", help="model name")

设置 batch_size
parser.add_argument("-b", "--batch-size", type=int, default=64, help="batch size")

设置gpu，因为我只有一张卡，所以设 default=0
parser.add_argument(
    "-d", "--devices", default=0, type=int, help="device for training"
)

设置你的数据配置的路径，default="../exps/example/yolox_voc/yolox_voc_s.py"
parser.add_argument(
    "-f",
    "--exp_file",
    default="../exps/example/yolox_voc/yolox_voc_s.py",
    type=str,
    help="plz input your expriment description file",
)

设置权重路径， default="../weights/yolox_s.pth"
parser.add_argument("-c", "--ckpt", default="../weights/yolox_s.pth", type=str, help="checkpoint file")

完成上诉所有配置后即可开始训练

四、训练并测试效果

可以看到，有AP了，说明成功了
在这里插入图片描述
最后看一下测试结果

在这里插入图片描述
整体效果还是很好的，准确度都在90%以上

测试的时候要注意一点：

由于 demo.py 默认调用的是 COCO_CLASSES，所以想要正确显示结果，就要把 yolox/data/datasets/coco_classes.py 下的 COCO_CLASSES 改成你的数据类别
或者在 yolox/data/datasets/__init__.py 里将from .voc import VOCDetection 修改为 from .voc import VOCDetection, VOC_CLASSES
然后在 tools/demo.py 里将 from yolox.data.datasets import COCO_CLASSES 修改为 from yolox.data.datasets import COCO_CLASSES, VOC_CLASSES，
然后将 tools/demo.py 里所有用到 COCO_CLASSES 的地方全部改为 VOC_CLASSES 即可