文章目录[隐藏]

环境配置

参考yolox Github代码中的readme 进行配置：

Step1. Install YOLOX.

git clone git@github.com:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -U pip && pip3 install -r requirements.txt
pip3 install -v -e .  # or  python3 setup.py develop

Step2. Install pycocotools.

pip3 install cython; 
pip3 install'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

注意：如果缺少其他包，使用pip安装即可！

运行Demo

下载相关模型

以YOLOX_s为例：

python tools/demo.py image -n yolox-s -c /path/to/your/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu/gpu]

其余可以阅读yolox github readme；或者官方文档：Welcome to YOLOX’s documentation! — YOLOX 0.1.0 documentation

VOC标注数据处理

1、本文使用VOC格式进行训练。
2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
4、在训练前利用voc2yolo3.py文件生成对应的txt；

5、将VOCdekit 放到YOLOX/datasets文件夹下；

其中：

VOCdekit具体目录结构：

--VOCdevkit

----VOC2007

------Annotations

------JPEGImages

------ImageSets

--------Main

----------test.txt

-----------train.txt

voc2yolo3.py 代码如下：

import os
import random
random.seed(0)

xmlfilepath = r'datasets/VOCdevkit/VOC2007/Annotations'
saveBasePath = r"datasets/VOCdevkit/VOC2007/ImageSets/Main"

trainval_percent = 0.8
train_percent = 1

temp_xml = os.listdir(xmlfilepath)
total_xml = []
for xml in temp_xml:
    if xml.endswith(".xml"):
        total_xml.append(xml)

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)

print("train and val size", tv)
print("traub suze", tr)
ftrainval = open(os.path.join(saveBasePath, 'trainval.txt'), 'w')
ftest = open(os.path.join(saveBasePath, 'test.txt'), 'w')
ftrain = open(os.path.join(saveBasePath, 'train.txt'), 'w')
fval = open(os.path.join(saveBasePath, 'val.txt'), 'w')

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

ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

到此为止，已经处理好要训练的数据集了！接下来修改yolox相关代码！

修改代码及配置文件

VOC数据集的配置文件所在路径：YOLOX/exps/example/yolox_voc/yolox_voc_s.py

a）修改 line14 ，num_classes 为自己的数据集的类别，这里以2为例。

b) 修改训练集和测试集目录 image_sets

c）修改类别voc_classes;文件所在路径：YOLOX/yolox/data/datasets/voc_classes.py

d) 修改YOLOX/yolox/exp/yolox_base.py 中num_classes;

e)修改YOLOX/yolox/data/datasets/voc.py 文件下的_do_python_eval 函数；

f）训练模型，本文训练模型使用yolox-s；首先下载预训练模型；将下载的模型放在YOLOX/weights/yolox_s.pth 路径下。

下载好的一些预训练权重：

g）可在YOLOX/yolox/exp/yolox_base.py 文件中配置相关训练参数。

h）开始训练，训练命令：

 python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 8 --fp16 -o -c weights/yolox_s.pth

训练：

训练的模型权重以及训练日志存在路径：YOLOX/YOLOX_outputs/yolox_voc_s/

使用tensorboard 查看训练过程：

在路径YOLOX_outputs/yolox_voc_s/ 下，执行：

tensorboard --logdir ./

测试训练好的模型

首先在YOLOX/yolox/data/datasets/__init__.py 里需要加入voc 类别

需要更改测试YOLOX/tools/demo.py：

测试代码：

python tools/demo.py image -n yolox-s -c YOLOX_outputs/yolox_voc_s/best_ckpt.pth --path assets/1_169.jpg --conf 0.3 --nms 0.1 --tsize 640 --save_result

完美运行！！