內容

1. 來源

   1.1 簡介：YOLOX引入了anchor-free與SimOTA的概念，優化YOLOv3-spp。

   1.2 時程：於2021年7月提出論文。

   1.3 論文名稱：YOLOX:Exceeding YOLO Series in 2021

2. YOLOv3優化：YOLOX-Darknet53

   2.1 架構

   • Backbone：YOLOX-Darknet53(源自YOLOv3：)
     

   • Neck：採用SPPNet。

   • Head：將Coupled Head更換為Decoupled Head
     

   2.2 優化方法

   • Backbone
     • Darknet53(Bag of freebies)
       • EMA weights updating
       • Cosine Learning Rate
       • BCE Loss and IoU loss
       • Data augmentation：RandomHorizontalFlip、ColorJitter、Multi-scale
     • Anchor-free
     • Strong data augmentation
     • Multi positives
     • SimOTA
     • End-to-end YOLO

3. 優點

   3.1 Decoupled head提高模型收斂的速度與效能。

   3.2 Anchor-free

   • 免去人工挑選參數，模型泛用性佳。
   • 在減少參數量提高速度的同時，提高了模型準確度。

   3.3 優化了工業上廣泛使用的YOLOv3。

4. Other Backbones(YOLOv5優化與建構輕量化架構)

   4.1 YOLOv5：YOLOX-s、YOLOX-m、YOLOX-l、YOLOX-x
   

   4.2 輕量化的架構：YOLOX-Tiny、YOLOX-Nano
   

小結

1. 下一站，我們前往「YOLOX解析(二)」，分享模型優化策略與演算法。

讓我們繼續看下去...

參考資料

1. YOLOX:ExceedingYOLOSeriesin2021