yolox专题

YOLOX: 无锚点机制 + 解耦头部设计 + 动态标签分配策略的高性能目标检测器 + Apache-2.0 开源可商用

YOLOX: 无锚点机制 + 解耦头部设计 + 动态标签分配策略的高性能目标检测器 + Apache-2.0 开源可商用 1. Decoupled Head 解耦头部的使用2. 强化数据增强策略3. 采用无锚点检测机制4. 多正样本策略5. SimOTA标签分配策略6. CSPDarkNet 网络结构DarkNet53 的深度特征提取能力DarkNet53 类比：图书馆系统 CSPNet 的

【yolox】——5分钟用ncnn测试yolox

ncnn, yolox 上一篇文章分享了yolox的原理和代码解读。这里我们用ncnn进行yolox推理测试。因为ncnn本身可以下载编译好的动态库，yolox又提供了推理脚本。所以整个过程我们可以在5分钟左右走完。 3min clone yolox …下载ncnn_ubuntu_shared, 这里我下载的是ncnn-20210720-ubuntu-1804-shared.zip在u

【YOLOX】——目标监测（代码与原理详解）

code:https://github.com/Megvii-BaseDetection/YOLOX 来自:旷视关键词：目标检测，精度原理部分摘自:https://bbs.cvmart.net/articles/5138 1. 基线我们选择YOLOv3+DarkNet53作为基线，接下来，我们将逐步介绍YOLOX的整个系统设计。 Implementation Details

目标检测之YOLOX--Windows系统下的环境配置

YOLOX之Windows环境配置 Windows下的安装配置步骤从github上clone yolox项目到本地磁盘创建新的环境或者使用之前已经创建完成的环境，查看requirements.txt文件中所要求的依赖库是否都已安装。我这里是在conda环境下，使用的之前在用的环境，所以大部分的依赖库都已安装完成在YOLOX根目录下打开新的终端，conda切换到刚才创建的环境下，执

YOLOX源码之【数据缓存】

这里首先需要了解下装饰器 - 廖雪峰的官方网站的用法，后面会用到。如果cache=True，在launch前就调用get_dataset，否则launch后再调用get_dataset。函数get_dataset调用COCODataset类，并赋给self.dataset。COCODataset继承自CacheDataset，CacheDataset继承自Dataset，Dataset继承

YOLOX源码之 wait_for_the_master

主进程读取数据在函数 get_data_loader 中，下面这段代码的作用是在多节点分布式训练时，每个节点的主进程负责读取数据。 if self.dataset is None:with wait_for_the_master():assert cache_img is None, \"cache_img must be None if you didn't create self.dat

【读点论文】YOLOX: Exceeding YOLO Series in 2021，无锚框单阶段目标检测方案，解耦检测头的分类和回归分支，优化标签分配策略

YOLOX: Exceeding YOLO Series in 2021 Abstract 在本报告中，我们介绍了YOLO系列的一些经验改进，形成了一种新的高性能探测器—YOLOX。我们将YOLO检测器切换到无锚方式，并进行其他先进的检测技术，即去耦头和领先的标签分配策略SimOTA，以在大规模的模型范围内实现最先进的结果：对于只有0.91M参数和1.08G FLOP的YOLONano，我们在

目标检测YOLO实战应用案例100讲-基于改进YOLOX的目标检测与跟踪（续）

目录 3 改进YOLOX目标检测算法 3.1 YOLOX算法 3.1.1 YOLOX-Darknet53网络结构 3.1.2 YOLOX-s网络结构

极智项目 | 基于NCNN+YOLOX实现的适用于工业流水线工控机CPU场景的包子目标检测算法

欢迎关注我的公众号「极智视界」，获取我的更多技术分享大家好，我是极智视界，本文分享一下基于NCNN+YOLOX实现的适用于工业流水线工控机CPU场景的包子目标检测算法。在工业 4.0 时代背景下，计算机视觉在工业流水线场景的应用越来越广泛。通过实时捕捉和解析流水线上的图像信息，实现了从产品质量把控到流程优化、零件识别与分拣等一系列核心生产环节的智能化升级。例如，在质量控制层面，计算机

目标检测——YOLOX算法解读

论文：YOLOX: Exceeding YOLO Series in 2021(2021.7.18) 作者：Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun 链接：https://arxiv.org/abs/2107.08430 代码：https://github.com/Megvii-BaseDetection/YOLOX Y

YOLOX: 让YOLO重回Anchor-Free, 成为最强YOLO

论文地址:https://arxiv.org/abs/2107.08430 1. 动机 yolo系列一直以来都是目标检测领域最火的方法. 从yolo2开始, yolo系列就一直是Anchor-based的检测器, 而近年来Anchor-free类的方法发展迅猛, 已经可以达到甚至超越Anchor-based的方法了. 但是yolo4和yolo5依然沿用了Anchor-based架构.

YOLOX训练自己的数据集（头铁出来的超详细教程）

这里写自定义目录标题 1.YOLOX环境搭建1.1新建一个conda环境1.2安装代码依赖的库文件1.3通过setup.py安装一些库文件1.4下载apex文件1.4下载pycocotools 2.创建自己的数据集2.1创建VOC格式数据集 3.训练3.1修改文件代码3.2开始训练 3.测试3.1测试自己的训练结果 3.预测结果参考（侵删） 1.YOLOX环境搭建首先，搭建

智慧自助餐饮系统（SpringBoot+MP+Vue+微信小程序+JNI+ncnn+YOLOX-Nano）

一、项目简介本项目是配合智慧自助餐厅下的一套综合系统，该系统分为安卓端、微信小程序用户端以及后台管理系统。安卓端利用图像识别技术进行识别多种不同菜品，识别成功后安卓端显示该订单菜品以及价格并且生成进入小程序的二维码，用户扫描后在小程序进行付款和提交订单，用户也可查看订单和菜品等信息，管理员在 Web 后台管理系统进行信息查看餐厅运营情况和管理菜品、订单评价等信息。本系统涉及的论文文献，可以进

基于轻量级模型YOLOX-Nano的菜品识别系统

工程Gitee地址： https://gitee.com/zhong-liangtang/ncnn-android-yolox-nano 一、YOLOX简介 YOLOX是一个在2021年被旷视科技公司提出的高性能且无锚框（Anchor-free）的检测器，在YOLO系列的基础上吸收近年来目标检测学术界的最新成果，如解耦头（Decoupled Head）、数据增强、无锚框、标签分配策略SimOT

使用 KITTI数据集训练YOLOX

1. 现在KITTI集后，首先将数据集转换为COCO数据集格式。 kitti_vis.py import osfrom pathlib import Pathimport numpy as npimport cv2def anno_vis(img, anno_list):for anno in anno_list:points = np.array(anno[4:8], dtype=

从B导的yolox、yolov7-tiny的标签中提取出来ground truth

原始的test.txt内容如下：提取出来的内容如下： import osif __name__ == '__main__':# 将每行的内容单独读取到一个列表中with open('test.txt', 'r') as f: # 这个是Main里面的test.txt内容datalist = f.readlines()data = []for d in datalist:data

[易语言]易语言部署yolox的onnx模型

【官方框架地址】 https://github.com/Megvii-BaseDetection/YOLOX 【算法介绍】 YOLOX是YOLO系列目标检测算法的进一步演变和优化。它由Megvii Technology的研究团队开发，是一个高性能、可扩展的对象检测器。YOLOX在保留快速处理速度的同时，通过引入一些创新的改进，显著提高了检测精度和效率。核心特点锚框机制的优化 YOLO

[C#]winform使用纯opencvsharp部署yolox-onnx模型

【官方框架地址】 https://github.com/Megvii-BaseDetection/YOLOX 【算法介绍】 YOLOX是一个高性能的目标检测算法，它是基于YOLO（You Only Look Once）系列算法的Anchor Free版本。YOLOX由Megvii Technology的研究团队开发，并在2021年推出。该算法在保持YOLO系列原有速度与精度优势的同时，引入了

YOLOX （pytorch）模型转 tensorRT 之运行推理【YOLOX 实战四】【一文读懂】

🥇 版权: 本文由【墨理】原创、在CSDN首发、感谢订阅、敬请查阅❤️ 你只看一次的教程感谢各位大佬一键三连文章目录 YOLOX-TensorRT in Python基础环境torch2trt 安装模型转换【yolox_s.pth 转 tensorRT】报错问题记录 tensorRT 模型 Python 推理测试单张图像推理COCO 评估集推理 YOLOX-TensorRT

YOLOX: Exceeding YOLO Series in 2021

esp32-s3部署yolox_nano进行目标检测

ESP32-S3部署yolox_nano进行目标检测一、生成模型部署项目01 环境02 配置TVM包03 模型量化3.1预处理3.2 量化 04 生成项目二、烧录程序手上的是ESP32-S3-WROOM-1 N8R8芯片，整个链路跑通了，但是识别速度太慢了，20秒一张图，所以暂时还没打算进一步优化程序。一、生成模型部署项目官方指导文件：使用TVM自动生成模型部署

【目标检测】从YOLOv1到YOLOX(理论梳理)

前言 YOLO系列应该是目标领域知名度最高的算法，其凭借出色的实时检测性能在不同的领域均有广泛应用。目前，YOLO共有6个版本，YOLOv1-v5和YOLOX，除了YOLOv5外，其它都有相应的论文，5篇论文我已上传到资源中，可自行下载：https://www.aliyundrive.com/s/ofcnrxjzsFE 工程上使用最多的版本是YOLOv3和YOLOv5，Pytorch版本均由u

基于YOLOX的输电线路异物检测算法研究及软件设计_有系统有文献，整体认知蛮好的

我国自改革开放以来，大力发展工业和经济，对电能同样有着巨大的需求，所需求的电能不仅需要保证其数量，还要保障其质量，因此对整个电力系统安全稳定的运行也提出了更高的要求，电力系统发生故障要实时检测并及时排除，避免造成严重的安全事故和经济损失. 我国输电线路巡检基本以人工巡检方式为主，但传统的人工巡检方式效率低，限制多，还往往会消耗大量的人力物力，后来引入直升机沿线巡检的方法，但该方法飞行作业十分危

yolox目标检测实现人脸识别换搞笑图

今天介绍的是一个使用yolox目标检测算法，实现换人脸的过程。首先是换人脸视频的准备，我们可以找一些比较的热门视频作为素材，比如“华强买瓜”。使用视频抽帧，将一个2分钟的视频，抽成200张左右，当然也可以抽成更多张。以上就是视频抽帧的结果。然后我们下载labelimg工具，使用python 在命令行输入pip install labelimg即可。下载好labelimg

pycharm运行YOLOX出错

出错记录：ImportError: exps/example/custom/yolox_s.py doesn't contains class named 'Exp' Traceback (most recent call last):File "E:\YOLO_X\yolox\exp\build.py", line 13, in get_exp_by_filecurrent_exp = im

yolox转rknn

使用瑞芯微版本的yolox：https://github.com/airockchip/YOLOXpip install torch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 --no-cache -i https://pypi.tuna.tsinghua.edu.cn/simplepip install -r requirements.txt -i