参考博文添加链接描述
1. 版本配置cuda:11.6 #nvidia-smi查看自己电脑支持的版本 Python:3.9 torch-1.12.0+cu116-cp39-cp39-win_amd64.whl #下载地址https://download.pytorch.org/whl/torch_stable.html torchvision-0.13.0+cu116-cp39-cp39-win_amd64.whl #下载地址https://download.pytorch.org/whl/torch_stable.html2.配置环境并验证 2.1 YOLOX源码下载地址
https://github.com/Megvii-BaseDetection/YOLOX2.2 执行安装
pip install -r requirements.txt ~~~~~~~~~~~~~~~~~~~~~~ #为支持Python3.9修改requirements.txt的onnx版本 onnx==1.9.0 #执行安装 python setup.py install #安装apex,下载地址 https://github.com/NVIDIA/apex #下载完成后，解压后，在Shell里，进入到apex-master中执行安装命令 pip install -r requirements.txt python setup.py install #安装pycocotools pip install pycocotools #下载预训练模型放到根目录 https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth。 #验证环境，执行 python tools/demo.py image -f exps/default/yolox_s.py -c ./yolox_s.pth --path assets/dog.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu
测试结果
3.制作数据集 3.1下载数据集
按照测试集，训练集，验证集2:1:1的比例进行创建 链接：https://pan.baidu.com/s/1BeLQswzExLJ1tQrlWBhUcA?pwd=x04j 提取码：x04j3.2转化为VOC2007数据集
新建data/VOCdevkit 将下载好的VOC2007数据集粘贴到此文件夹4.训练自己的数据集
4.1 修改exps/example/yolox_voc/yolox_voc_s.py
- 本次使用的类别有6类，所以将num_classes修改为6。
- 修改文件路径，将data_dir修改为自己目录，删掉image_sets里面的2012
- 修改test路径，将data_dir修改为自己目录
python setup.py install4.5 命令行执行
python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4 --fp16 -c yolox_s.pth4.6 采用train.py文件执行
#修改批处理大小为4
parser.add_argument("-b", "--batch-size", type=int, default=4, help="batch size")
#修改设备数为1
parser.add_argument("-d", "--devices", default=1, type=int, help="device for training" )
#修改训练的模型声明文件
parser.add_argument(
"-f",
"--exp_file",
default='exps/example/yolox_voc/yolox_voc_s.py',
type=str,
help="plz input your experiment description file",
)
#上次训练的结果，继续训练和fine turning时填写check point路径
parser.add_argument("-c", "--ckpt", default='yolox_s.pth', type=str, help="checkpoint file")
#训练时采用混合精度
parser.add_argument(
"--fp16",
dest="fp16",
default=True,
action="store_true",
help="Adopting mix precision training.",
)
若在训练过程中终止，继续训练
#将其修改为True
parser.add_argument(
"--resume", default=True, action="store_true", help="resume training"
)
#上次训练的结果
parser.add_argument(
"-c", "--ckpt", default='YOLOX_outputs/yolox_voc_s/best_ckpt.pth', type=str, help="checkpoint file"
)
#修为自己想要开始的轮数
parser.add_argument(
"-e",
"--start_epoch",
default=None,
type=int,
help="resume training start epoch",
)
5.测试
5.1 修改参数
# 在yolox/data/datasets/__init__.py中导入“VOC_CLASSES”
from.voc_classes import VOC_CLASSES
#修改tools/demo.py中代码，将“COCO_CLASSES”，改为“VOC_CLASSES”
from yolox.data.datasets import COCO_CLASSES,VOC_CLASSES
#将“306”行的Predictor类初始化传入的“COCO_CLASSES”改为“VOC_CLASSES”
predictor = Predictor(
model, exp, VOC_CLASSES, trt_file, decoder,
args.device, args.fp16, args.legacy,
)
5.2 命令行测试
#重新执行编译 python setup.py install #命令行测试,在.assets文件夹下新建NEU文件夹，保存测试用例 python tools/demo.py image -f exps/example/yolox_voc/yolox_voc_s.py -c YOLOX_outputs/yolox_voc_s/latest_ckpt.pth --path ./assets/NEU --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu
测试示例：
5.3 使用demo.py测试#修改以下数据
parser.add_argument(
'-do', "--demo", default="image", help="demo type, eg. image, video and webcam"
)
#修改测试路径
parser.add_argument(
"--path", default="./assets/NEU", help="path to images or video"
)
#修改模型声明文件
parser.add_argument(
"-f",
"--exp_file",
default="exps/example/yolox_voc/yolox_voc_s.py",
type=str,
help="please input your experiment description file",
)
#修改训练结果路径
parser.add_argument(
"-c", "--ckpt", default="YOLOX_outputs/yolox_voc_s/best_ckpt.pth",
type=str, help="ckpt for eval")
#修改设备为gpu
parser.add_argument(
"--device",
default="gpu",
type=str,
help="device to run our model, can either be cpu or gpu",
)
#保存路径
parser.add_argument(
"--save_result",
default='.YOLOX_outputs/yolox_voc_s/vis_res',
action="store_true",
help="whether to save the inference result of image/video",
)
#修改nms和tsize
parser.add_argument("--nms", default=0.45, type=float, help="test nms threshold")
parser.add_argument("--tsize", default=640, type=int, help="test img size")
6.保存测试结果
打开yolox/utils.visualize.py文件，修改vis方法
#新增result_list数组 result_list = [] #在color自变量前增加以下代码 class_name = class_names[cls_id] one_line = (str(x0), str(y0), str(x1), str(y1), class_name, str(float(score))) str_one_line = " ".join(one_line) result_list.append(str_one_line) #增加返回值 return img,result_list
修改demo.py方法
#修改visual函数
#当未找到时
if output is None:
result_list=['NO MATCH!']
return img,result_list
#增加返回值
vis_res,result_list = vis(img, bboxes, scores, cls, cls_conf, self.cls_names)
return vis_res,result_list
#在image_demo方法中修改
result_image,result_list = predictor.visual(outputs[0], img_info, predictor.confthre)
print(result_list)
#写入文本文档
save_file_name = os.path.join(save_folder, os.path.basename(image_name))
logger.info("Saving detection result in {}".format(save_file_name))
txt_name = os.path.splitext(save_file_name)[0] + ".txt"
print(txt_name)
f = open(txt_name, "w")
for line in result_list:
f.write(str(line) + 'n')
f.close()
cv2.imwrite(save_file_name, result_image)
文本文档：
遇到的一些BUG
No module named 'tensorboard' #更新pip,进行对应包的安装 python -m pip install --upgrade pip pip install tensorboard
搜索data_num_workers变量，在yolox_base.py文件中将其修改为0，重新编译执行
