随着下一款模型：YOLOX的推出，YOLO系列将继续发展壮大。在这篇文章中，我们将介绍如何训练YOLOX识别自定义用例的对象检测数据。

在本教程中，我们使用公共血细胞对象检测数据集。但是，你可以将自己的数据导入Roboflow并将其导出，以训练此模型以满足你自己的需要。

感谢Megvii团队发布了基础库，这为我们的笔记本奠定了基础。在本教程中，我们采取以下步骤：

安装YOLOX依赖项

YOLOX有什么新功能？

YOLOX是YOLO的最新版本，在速度和准确性方面突破了极限。YOLOX最近赢得了流媒体感知挑战赛（CVPR 2021自动驾驶研讨会）。相对于其他YOLO检测网络的YOLOX评估：

最大的变化包括移除盒锚（提高模型到边缘设备的可移植性）和将YOLO检测头解耦到单独的特征通道中，用于盒分类和盒回归（提高训练收敛时间和模型精度）。YOLOX中的解耦头：

在YOLOX中，训练时间加快。但我们认为YOLOv5更快（我们还没有进行任何直接的正面测试）

安装YOLOX依赖项

为了设置我们的开发环境，我们将首先克隆基本YOLOX存储库并下载必要的依赖：

！git clone https：／／github．com／roboflow－ai／YOLOX．git ％cd YOLOX ！pip3 install －U pip ＆＆ pip3 install －r requirements．txt ！pip3 install －v －e ． ！pip uninstall －y torch torchvision torchaudio ＃ May need to change in the future if Colab no longer uses CUDA 11．0 ！pip install torch＝＝1．7．1＋cu110 torchvision＝＝0．8．2＋cu110 torchaudio＝＝0．7．2 －f https：／／download．pytorch．org／whl／torch＿stable．html

我们还将安装NVIDIA Apex和PyCocoTools，以使该存储库按预期工作：

％cd ／content／ ！git clone https：／／github．com／NVIDIA／apex ％cd apex ！pip install －v －－disable－pip－version－check －－no－cache－dir －－global－option＝＂－－cpp＿ext＂ －－global－option＝＂－－cuda＿ext＂ ．／ ！pip3 install cython； pip3 install ＇git＋https：／／github．com／cocodataset／cocoapi．git＃subdirectory＝PythonAPI＇

下载自定义YOLOX对象检测数据

在我们开始之前，你需要创建一个Roboflow帐户。我们将使用血细胞数据集，但欢迎你使用任何数据集，无论是加载到Roboflow中的你自己的数据集还是其他公共数据集。对于本笔记本，我们需要应用一些预处理步骤，以确保数据与YOLOX一起工作。若要开始，请创建一个Roboflow帐户（如果尚未创建），然后分叉数据集：

分叉数据集后，你需要添加一个预处理步骤，将所有图像的大小调整为640 x 640：

然后简单地生成数据集的新版本，并使用“Pascal VOC”导出。你将收到一个Jupyter notebook命令，该命令如下所示：

复制命令，并用Roboflow提供的命令替换笔记本中的以下行：

！curl －L ＂［YOUR LINK HERE］＂ ＞ roboflow．zip； unzip roboflow．zip； rm roboflow．zip

标记数据

如果你带着自己的数据集，你可以在Roboflow中为图像添加注释。

下载YOLOX的预训练权重

YOLOX附带了一些预训练权重，以允许模型更快地训练并获得更高的精度。权重大小有很多种，但我们使用的权重大小将基于小型YOLOX模型（YOLOX＿S）。下载如下：

％cd ／content／ ！wget https：／／github．com／Megvii－BaseDetection／storage／releases／download／0．0．1／yolox＿s．pth ％cd ／content／YOLOX／

YOLOX训练

要训练模型，我们可以运行tools／train．py文件：！python tools／train．py －f exps／example／yolox＿voc／yolox＿voc＿s．py －d 1 －b 16 －－fp16 －o －c ／content／yolox＿s．pth

运行此命令的参数包括：

· 经验文件：该文件允许我们更改基础模型的某些方面，以便在训练时应用

· 设备：我们的模型将使用1，由Colab提供

· 批次大小：每个批次中的图像数

· 预训练权重：指定要使用的权重的路径－可以是我们下载的权重，也可以是模型的早期检查点

经过大约90个epoch的训练，我们获得了以下AP。

评估YOLOX性能

要评估YOLOX性能，我们可以使用以下命令：

MODEL＿PATH ＝ ＂／content／YOLOX／YOLOX＿outputs／yolox＿voc＿s／latest＿ckpt．pth．tar＂ ！python3 tools／eval．py －n yolox－s －c ｛MODEL＿PATH｝ －b 64 －d 1 －－conf 0．001 －f exps／example／yolox＿voc／yolox＿voc＿s．py

运行评估后，我们得到以下结果：

YOLOX模型的评价

性能看起来不错！

在测试图像上运行YOLOX

推断我们现在可以在测试图像上运行YOLOX，并将预测可视化。要在测试映像上运行YOLOX，请执行以下操作：

TEST＿IMAGE＿PATH ＝ ＂／content／valid／BloodImage＿00057＿jpg．rf．1ee93e9ec4d76cfaddaa7df70456c376．jpg＂ ！python tools／demo．py image －f ／content／YOLOX／exps／example／yolox＿voc／yolox＿voc＿s．py －c ｛MODEL＿PATH｝ －－path ｛TEST＿IMAGE＿PATH｝ －－conf 0．25 －－nms 0．45 －－tsize 640 －－save＿result －－device gpu

要在图像上可视化预测，请执行以下操作：

from PIL import Image OUTPUT＿IMAGE＿PATH ＝ ＂／content／YOLOX／YOLOX＿outputs／yolox＿voc＿s／vis＿res／2021＿07＿31＿00＿31＿01／BloodImage＿00057＿jpg．rf．1ee93e9ec4d76cfaddaa7df70456c376．jpg＂ Image．open（OUTPUT＿IMAGE＿PATH）

看起来该模型可以按预期工作！

导出保存的YOLOX权重以供将来推断

最后，我们可以将模型导出到我们的Google Drive中，如下所示：

from google．colab import drive drive．mount（＇／content／gdrive＇） ％cp ｛MODEL＿PATH｝ ／content／gdrive／My Drive

结论

YOLOX是一种功能强大、最先进的目标检测模型。在本教程中，你可以学习如何：