1. YOLOX의 전체 구조
데모
MegEngine: 딥 러닝을 위한 Megvii 오픈 소스 프레임워크 – Tianyuan(2020년 3월 25일 출시)
ONNX: Open Neural Network Exchange는 Microsoft와 Facebook에서 출시한 딥 러닝 개발 도구의 생태계로, AI 개발자가 프로젝트로 선택할 수 있도록 설계되었습니다. 올바른 도구를 사용하면 다양한 프레임워크에서 네트워크를 직접 훈련할 수 있습니다.
TensorRT: GPU를 더 잘 활용하기 위해 Nvidia에서 출시한 고성능 딥 러닝 지원 엔진
openvino: 애플리케이션 및 솔루션의 신속한 배포를 위해 Intel에서 출시한 포괄적인 도구 제품군
특히 Android) 오픈 소스 딥 러닝 포워드 프레임워크
문서
manipulate_training_image_size.md: 자신의 데이터로 교육할 때 이미지 크기를 제어하는 방법을 설명합니다.
modle_zoo.md: 다양한 표준 모델을 소개합니다.
quick_run.md: 코드의 사용과 작동을 소개
train_custom_data.md하고 YOLOX를 사용하여 나만의 커스텀 데이터를 트레이닝하는 방법을 소개합니다. VOC 데이터 세트에서 YOLOX-S 모델을 미세 조정하여 보다 명확한 지침을 제공합니다.
updates_note.md코드 업데이트에 대해 이야기했습니다. 예를 들어 더 빠른 교육을 위해 이미지 캐싱이 지원되며 더 큰 시스템 RAM이 필요합니다. 정점에 대한 의존성을 제거하고 토치 증폭기 교육을 지원합니다. 더 빠른 훈련을 위해 최적화된 전처리 더 빠른 훈련과 더 나은 성능을 위해 오래된 워프 증강을 새로운 HSV aug로 대체했습니다.
exps:예제
다양한 입력 매개변수, 모듈 방법 선택 및 특정 구성 예를 포함하여 다양한 표준 모델에 사용되는 구성 파일을 소개합니다.
도구
교육, 교육, 테스트, 데모 등을 위한 일부 공통 파일
욜록스
핵심 부분
코어: 일부 로드된 파일
데이터셋: 데이터 처리
coco_classes.py: coco 데이터셋의 카테고리
coco.py: coco 데이터셋의 초기화, 데이터 읽기
voc_classes.py: voc 데이터셋의 카테고리
voc.py: voc 데이터셋의 초기화, 데이터 읽기.
datasets_wrapper.py: 처리된 데이터 세트 구성 및 패키징
mosaicdetection.py: 모자이크 작업을 수행하여 데이터 향상 달성
data_augment.py: 모듈은 hsv와 같은 일부 데이터 향상 방법을 포함하여 관련 데이터 처리를 수행합니다.
data_prefetcher.py: pytorch의 데이터 로딩 속도 향상
dataloading.py: 이 모듈은 데이터 로딩을 수행하고 데이터 세트를 얻습니다.
samplers.py: 이 모듈은 다른 샘플러에서 (모자이크, 인덱스) 튜플의 작은 배치를 생성하는 배치 샘플러인 샘플링을 수행합니다
init.py. 일부 종속성 라이브러리
평가자: 평가
특급: 기본 예제
모델: 모델 본문 코드
init.py: 일부 종속 패키지, 가져온 모듈 및 기능
darknet.py: 백본 네트워크 Darknet53
losses.pyloss: 기능은 IOUloss를 사용하고, 교차 비율을 계산합니다
network_blocks.py.: 네트워크가 호출해야 하는 모듈은 실루 활성화 기능을 사용합니다.
yolo_fpn.py: YOLOFPN 모듈. Darknet 53은 이 모델의 기본 백본입니다. 백본 네트워크로 Darknet 53 호출
yolo_head.py: 이 모듈에는 세 가지 작업이 있습니다: 분리된 헤드, 다중 포지티브, SimOTA
yolo_pafpn.py: 또 다른 백본 네트워크, 백본-YOLOPAFPN. PA는 PANet의 구조를 의미하고 FPN은 피처 피라미드 구조를 의미합니다.
yolox.py: YOLOX 모델 모듈. 호출하기 전에 백본 네트워크 및 구성 요소, 모듈 목록은 create_yolov3_modules 함수에 의해 정의됩니다. 네트워크는 학습 중에는 3개의 YOLO 계층에서 손실 값을 반환하고 테스트 중에는 탐지 결과를 반환합니다.
유틸리티: 도구 코드