推广通seo网站优化师

YOLOX是在YOLOv3基础上改进而来，具有与YOLOv5相媲美的性能，其模型结构如下：

由于博主只是要用YOLOX做对比试验，因此并不需要对模型的结构太过了解。
先前博主调试过YOLOv5,YOLOv7，YOLOv8,相比而言，YOLOX的环境配置是类似的，但其参数设置太过分散，改动比较麻烦，就比如epoch这些参数竟然要放到yolox_base.py文件中去继承，而不是直接在train.py中指定。话不多说，我们开始调试过程。

环境配置

YOLOX的调试过程基本与YOLOv5类似，不同之处在于需要进行一个安装过程。
即执行：

python setup.py develop

否则在运行是会提示找不到yolox文件

运行成功后结果如下，值得注意的是，博主在本地很难成功，但在服务器上却很容易。

随后便是conda环境配置过程，基本与YOLOv5一致，可以直接使用命令配置：

conda create -n yolox python=3.8
source activate yolox
pip install -r requirements.txt

数据集配置

YOLOX使用的数据集是COCO，但不同在于其训练与测试中没有给出参数进行指定，而是直接写在了数据集读取文件中，我们只需要按照其要求修改目录即可，将数据集放到datasets/COCO文件夹下即可，当然也可以像博主这样创建软连接：

ln -s /data/datasets/coco/ /home/ubuntu/outputs/yolox/YOLOX-main/datasets/COCO/

但这种方法却一直报错：

File "/home/ubuntu/outputs/yolox/YOLOX-main/yolox/data/datasets/datasets_wrapper.py", line 177, in __del__
if self.cache and self.cache_type == "ram":
AttributeError: 'COCODataset' object has no attribute 'cache'

没办法，只能把数据集复制一份到这个目录了。
随后运行报错：

assert img is not None, f"file named {img_file} not found"
AssertionError: file named /home/ubuntu/outputs/yolox/YOLOX-main/datasets/COCO/val2017/000000567197.jpg not found

仔细一看原来是目录结构出了问题，没有images这级目录，去掉该目录即可。最终的目录结构为：

训练模型

 <class 'torch.autograd.variable.Variable'>
RuntimeError: FIND was unable to find an engine to execute this computation

这是因为博主安装环境时默认安装torch为2.0，导致出错。换个torch版本即可：

conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 cudatoolkit=11.6 -c pytorch -c conda-forge

随后需要修改几个参数，首先是指定模型名称，博主使用的是yolox-l

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

随后设置yolox-l的配置文件，–f代表从该文件读取，然后修改对应文件中的参数：

parser.add_argument("-f","--exp_file",default="/home/ubuntu/outputs/yolox/YOLOX-main/exps/default/yolox_l.py",type=str,help="plz input your experiment description file",)

修改/home/ubuntu/outputs/yolox/YOLOX-main/exps/default/yolox_l.py，num_class设置错了，博主习惯了DETR类模型，加上了背景类，实际上应该只有3类。

class Exp(MyExp):def __init__(self):super(Exp, self).__init__()self.depth = 1.0self.width = 1.0self.exp_name = os.path.split(os.path.realpath(__file__))[1].split(".")[0]# Define yourself dataset pathself.train_ann = "instances_train2017.json"self.val_ann = "instances_val2017.json"self.num_classes = 4self.max_epoch = 1self.data_num_workers = 8self.print_interval=1self.eval_interval = 1

随后便是batch-szie参数了，YOLOX所占用显存还是比较大的，batch-size设置为6。

训练时间还是蛮快的，1个epoch大概45分钟左右。训练1个epoch的结果，由于没有使用预训练模型，值很低。还有一个问题，便是num_class设置错了，博主习惯了DETR类模型，加上了背景类，实际上应该只有3类。

预训练模型微调

我们可以使用YOLOX-L训练好的模型当作预训练模型，在该模型上面进行微调，从而能够快速收敛，训练好的num_class=80，我们保持原样即可，即num_class=3，模型会自动处理类别不一致的问题。使用预训练模型后，迭代速度明显加快，并且精度也迅速提升。

parser.add_argument("-c", "--ckpt", default="/home/ubuntu/outputs/yolox/YOLOX-main/yolox_l.pth.tar", type=str, help="checkpoint file")

使用预训练模型做微调后训练一个epoch的结果。

评估模型

完成eval.py的参数配置：

python -m yolox.tools.eval -n  yolox-s -c yolox_s.pth -b 64 -d 8 --conf 0.001 [--fp16] [--fuse]

当然也可以使用参数，主要修改这两个参数即可

随后运行python eval.py命令即可，这里发现使用下载的权重文件会报错，于是博主自己训练了1个epoch并保存权重结果，使用这个则是没有问题的，文件保存在YOLOX_outputs中。但似乎发现了一个问题，那就是值好低呀。

模型推理

首先我们下载已经训练完成的模型，博主这里选择的是YOLOX-L，值得注意的是，下载这个文件需要翻墙。下载的权重文件为tar文件，因此需要解压：

tar -xvf yolox_l.pth.tar

但没想到却报错了：

tar: This does not look like a tar archive
tar: Skipping to next header
tar: Exiting with failure status due to previous errors

这是个BUG
解决办法:

gzip -d xxxx.tar.gz （对于.tar.gz文件的处理方式）
tar -xf xxxx.tar    （对于.tar文件处理方式）

依旧不行，没办法，博主只能把其后缀名改为zip，然后使用unzip的方式解压该文件。但解压后却是一个文件夹，这与博主先前所见到的pth文件不同，果然在运行时报错：

super().init(open(name, mode)) IsADirectoryError: [Errno 21] Is a
directory: ‘/home/ubuntu/outputs/yolox/YOLOX-main/yolox_l.pth’

原来YOLOX的权重文件是不需要解压的，直接用即可，即在指定文件时为：

parser.add_argument("-c", "--ckpt", default="/home/ubuntu/outputs/yolox/YOLOX-main/yolox_l.pth.tar", type=str, help="ckpt for eval")

，指定size=224，Demo.py中给出了其参数量与计算量，

推理结果如下：