YOLOX实践 — 烟雾火焰检测 01 概述目录

目的：基于YOLOX-s 、开源数据集实现火焰、烟雾识别，并尝试添加一些trick优化识别效果，同时对比yolov3、yolov5效果，最终达到火焰AP 0.71，烟雾AP 0.51，mAP约0.6；相同数据集下测试，yolov3 mAP 0.35；yolov5 mAP 0.4。

>>资源列表

一、环境配置 1.1 本机环境

远程训练环境：主要用来训练模型，通过pycharm 与MobaXterm 远程连接控制调试；

本地环境：

1.2. YOLOX安装 1.2.1 主要安装步骤

1.2.2 可能需要的安装

二、优化方向

引言：尝试对烟雾、火焰识别效果进行一些优化，一些优化尝试从数据集出发，另一些从常用trick方式出发，其中部分对模型识别效果有帮助，一些可能导致下降或者效果不明显，同时使用trick也会增长或减少训练时间，所以整体。
评价标准
- mAP
- loss下降速度
- 训练时间

2.1 数据集相关

2.1.1 类别融合

描述：
数据集中存在相同的图片，这些相同图片分别标注了不同类别，例如有些标注了火焰，有些标注了烟雾，将其标注信息合并到同一个同一个标注文件中。（数据集格式是VOC2007，可以使用labelimg 查看）

2.1.2 图像增强

2.2 模型相关 2.2.1 分类损失函数

Yolox使用的损失函数是BCEloss，将其修改成：
1. focal_loss
2. varifocal_loss

2.2.2 回归损失函数

Yolox使用的IOUloss 为基本 IOU，将其修改为：
1. GIOU
2. EIOU

2.2.3 插入注意力机制

引入注意力机制CBAM
在PAFPN中插入CBAM模块

2.2.4 插入ASFF机制

在PAFPN中插入ASFF模块

三、训练过程 3.1 数据预处理

描述：借助python脚本，将数据处理成VOC标准格式，数据类型融合，数据增强，数据随机划分工作集、训练集。

3.2 训练

描述：借助shell脚本，设定训练参数，帮助简化训练过程，存储每次的训练结果等。

3.3 实验结果处理

描述：借助python脚本，处理实验训练log文本，抽离出每个epoll的loss数据，以及每次评判过程中的AP数据，生成相应loss、AP的csv文本；

4.4 其他问题四、实验结果 4.1 YOLOX 训练结果对比

4.2 YOLOX YOLOv3 YOLOV5对比

>>Reference