YOLOX从训练到NCNN部署全流程(2)——代码训练

YOLOX从训练到NCNN部署全流程(1)——环境配置
YOLOX从训练到NCNN部署全流程(2)——代码训练
YOLOX从训练到NCNN部署全流程(3)——模型转化与量化
YOLOX从训练到NCNN部署全流程(4)——模型修改
YOLOX从训练到NCNN部署全流程(5)——创建demo工程
YOLOX从训练到NCNN部署全流程(6)——模型部署
YOLOX从训练到NCNN部署全流程(7)——模型部署测试
YOLOX从训练到NCNN部署全流程(8)——生成so库与jar包
YOLOX从训练到NCNN部署全流程(9)——使用so库和jar包

• 1、下载代码
• • 官网下载
  • 大佬Pytorch复现版
• 2、安装依赖包
• • 激活yolox环境
  • 安装依赖
• 3、自制数据集准备
• 4、主要参数解析
• 5、模型训练

   这里使用的是大佬Pytorch复现版，因为代码中有大量的注释，可读性极高，有利于小白学习。
代码文件组织结构如下：

conda activate yolox

cd path/to/yolox
pip install requirements.txt

   训练自己的模型首先需要准备自己的数据集，使用labelimg对图片进行标注，得到voc格式的标签文件，然后将标注好的数据放到指定的文件夹中。输入图片为jpg图片，无需固定大小，传入网络前会先进行resize。灰度图也会转成RGB图片进行训练，无需提前修改。代码目录如下图所示：

   将图片放在VOCdevkitVOC2007JPGImages文件夹中，将xml文件放在VOCdevkitVOC2007Annotations文件夹中。
   然后在model_data目录下创建一个txt文件，在文件中输入自己所要检测的类别名

   打开voc_annotation.py文件，将classes_path改成刚创建的txt文件路径，并设置 train：val：test 的比例，然后运行voc_annotation.py，即可生成相应需要的txt文件。至此，数据集就算准备好了。

   打开train.py文件，对其中的一些参数进行修改后即可运行train.py进行训练。

Cuda            = True                         # 是否使用Cuda，没有GPU可以设置成False
classes_path    = 'model_data/my_classes.txt'   # 修改classes_path，使其对应自己的数据集
model_path      = 'model_data/yolox_nano.pth'   # 修改model_path，使其对应自己的预训练模型，不使用则设为''
input_shape     = [256, 256]                    # 输入的shape大小，一定要是32的倍数，为了顺利部署，设为正方形尺寸
phi             = 'nano'                        #   所使用的YoloX的版本。nano、tiny、s、m、l、x
mosaic              = False                     #马赛克数据增强 True or False
Cosine_scheduler    = False                     #余弦退火学习率 True or False
#----------------------------------------------------#
#   冻结阶段训练参数
#   此时模型的主干被冻结了，特征提取网络不发生改变
#   占用的显存较小，仅对网络进行微调
#----------------------------------------------------#
Init_Epoch          = 0
Freeze_Epoch        = 50
Freeze_batch_size   = 32        # 最小为 2
Freeze_lr           = 1e-3
#----------------------------------------------------#
#   解冻阶段训练参数
#   此时模型的主干不被冻结了，特征提取网络会发生改变
#   占用的显存较大，网络所有的参数都会发生改变
#----------------------------------------------------#
UnFreeze_Epoch      = 100
Unfreeze_batch_size = 32
Unfreeze_lr         = 1e-4
#------------------------------------------------------#
Freeze_Train        = True    # 是否进行冻结训练
num_workers         = 4       # 线程数
train_annotation_path   = '2007_train.txt'    #   获得图片路径和标签
val_annotation_path     = '2007_val.txt'      #   获得图片路径和标签

需要注意的是：

1. input_shape一定要设置为32的倍数，这是由网络本身决定的，也可以不是正方形，但是为了部署方便最好设为正方形；
2. 若显存不够，则将batch_size设置更小一点，但不能小于2；
3. 若内存不够，则将num_works设置更小一点，甚至可以设置为0；

   以yolox_nano为例，下载预训练模型yolox_nano，并将yolox_nano.pth文件放在model_data文件夹中。（注意：参数model_path 就是填这个文件的相对路径）
预训练模型
把train.py脚本中的参数设置完后，就可以开始训练我们的模型了

python train.py

写博客不易，看官给个赞再走呗，哈哈哈哈！！！！