yolox 训练自己的数据集（COCO格式）_专栏

准备工作

准备自己的数据集
Animals_Coco
├─annotations
├─train2017
└─val2017

在annotations 文件夹下包含两个重要的文件instances_train2017.json，instances_val2017.json
在train2017和val2017 包含的是训练和验证的图片数据。

YOLOX环境搭建
下载 YOLOX，克隆不下来的话，也可以自己下载zip文件然后解压。

cd ~/code
git clone https://github.com/Megvii-BaseDetection/YOLOX.git
搭建环境

conda create -n yolox python=3.7 # 创建名称为yolox的新环境
conda activate yolox # 进入环境
cd YOLOX # 进入YOLOX文件夹
pip3 install -U pip && pip3 install -r requirements.txt # 安装代码依赖的库文件
python3 setup.py develop # 通过setup.py安装一些库文件
安装 apex

git clone https://github.com/NVIDIA/apex.git # 将apex 下载到~/code/YOLOX/，克隆不下来的话，也可以自己下载zip文件然后解压到YOLOX中
cd apex
sudo pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
bug:

pip.exceptions.InstallationError: Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-76g90y3m-build/
解决方法：python3 setup.py install
安装 pycocotools

pip3 install cython
pip3 install 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

如果上一步下载失败，也可以尝试先将cocoapi下载并解压到YOLOX文件夹，然后执行本地安装命令

pip3 install ~/code/YOLOX/cocoapi/PythonAPI

测试
下载yolox_s.pth 放到 ~/code/YOLOX/preModels/ 文件夹

测试

单图cpu测试

python tools/demo.py image -n yolox-s -c preModels/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result

单图GPU测试

python tools/demo.py image -n yolox-s -c preModels/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu

或者用指定文件的方式 specify your detector's config

区别： -n 指定 yolo 模型名字 | -f 指定 yolo config 文件，这两种方式用其中一种即可

python tools/demo.py image -f exps/default/yolox_s.py -c preModels/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu
输出如下，表示运行成功

python tools/demo.py image -n yolox-s -c preModels/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device 0

2021-08-25 01:59:29.086 | INFO | main:main:249 - Args: Namespace(camid=0, ckpt='preModels/yolox_s.pth', conf=0.25, demo='image', device='0', exp_file=None, experiment_name='yolox_s', fp16=False, fuse=False, legacy=False, name='yolox-s', nms=0.45, path='assets/dog.jpg', save_result=True, trt=False, tsize=640)

2021-08-25 01:59:29.619 | INFO | main:inference:159 - Infer time: 0.1775s
2021-08-25 01:59:29.621 | INFO | main:image_demo:196 - Saving detection result in ./YOLOX_outputs/yolox_s/vis_res/2021_08_25_01_59_29/dog.jpg

训练自己的coco格式数据集
1.将 yolox/data/datasets/coco_classes.py 中的 COCO_CLASSES 修改为自己数据集的类别。

2.修改exps/example/custom/yolox_s.py。这个文件是实验的配置文件，包含数据集地址，类别数，max_epoch等。更多参数及其默认值见yolox/exp/yolox_base.py。

yolox_s.py 中的Exp 类继承自yolox_base.py中的Exp类，因此可以将yolox_base.py中需要修改的配置参数添加至yolox_s.py进行修改。

tools/train.py 中的"–exp_file"参数值即yolox_s.py的文件路径。

self.data_dir = "D:/Z_Data/Animals_Coco" # 修改数据集地址 self.data_dir
self.train_ann = "instances_train2017.json"
self.val_ann = "instances_val2017.json"
self.num_classes = 2 # 修改类别 self.num_classes

剩下的 self.max_epoch，self.data_num_workers，self.eval_interval 可自行选择修改

3.修改 tools/train.py 中的参数配置

设置 default="Animals_Coco"，训练后结果就会保存在 tools/YOLOX_outputs/Animals_Coco下

parser.add_argument("-expn", "--experiment-name", type=str, default=None)

设置 model_name，如果--exp_file参数为None，则通过此参数加载exps/default/中的默认的实验配置

parser.add_argument("-n", "--name", type=str, default="yolox-s", help="model name")

设置 batch_size

parser.add_argument("-b", "--batch-size", type=int, default=64, help="batch size")

设置gpu数量，因为我只有一张卡，所以设 default=0(如果只有一张卡的话，设置0或1都会启用gpu)

parser.add_argument(
"-d", "--devices", default=0, type=int, help="device for training"
)

设置你的数据配置的路径，default="../exps/example/custom/yolox_s.py"

parser.add_argument(
"-f",
"--exp_file",
default="../exps/example/custom/yolox_s.py", # 如果出现报错 doesn't contains class named 'Exp', 将此处改为绝对路径即可。
type=str,
help="plz input your expriment description file",
)