【YOLOX训练部署】YOLOX训练自己的VOC数据集

1. yolox 代码&＃xff1a;GitHub - Megvii-BaseDetection/YOLOX: YOLOX is a high-performance anchor-free YOLO, exceeding yolov3~v5 with MegEngine, ONNX, TensorRT, ncnn, and OpenVINO supported. Documentation: https://yolox.readthedocs.io/
2. yolox 论文&＃xff1a;https://arxiv.org/abs/2107.08430
3. yolox 中的一些基本组件&＃xff1a;yolox中的一些基本组件【network_blocks】_乐亦亦乐的博客-CSDN博客
4. VOC 数据集标注&＃xff1a;使用labelimg制作数据集_乐亦亦乐的博客-CSDN博客_labelimg数据集

        参考yolox Github代码中的readme 进行配置&＃xff1a;

        Step1. Install YOLOX.

git clone git&＃64;github.com:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -U pip && pip3 install -r requirements.txt
pip3 install -v -e . # or python3 setup.py develop

         Step2. Install pycocotools.

pip3 install cython;
pip3 install&＃39;git&＃43;https://github.com/cocodataset/cocoapi.git#subdirectory&＃61;PythonAPI&＃39;

        注意&＃xff1a;如果缺少其他包&＃xff0c;使用pip安装即可&＃xff01;

下载相关模型

以YOLOX_s为例&＃xff1a;

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

其余可以阅读yolox github readme&＃xff1b;或者官方文档&＃xff1a;Welcome to YOLOX’s documentation! — YOLOX 0.1.0 documentation

1、本文使用VOC格式进行训练。
2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
4、在训练前利用voc2yolo3.py文件生成对应的txt&＃xff1b;

5、将VOCdekit 放到YOLOX/datasets文件夹下&＃xff1b;

 其中&＃xff1a;

VOCdekit具体目录结构&＃xff1a;

--VOCdevkit

----VOC2007

------Annotations

------JPEGImages

------ImageSets

--------Main

----------test.txt

-----------train.txt

voc2yolo3.py 代码如下&＃xff1a;

import os
import random
random.seed(0)xmlfilepath &＃61; r&＃39;datasets/VOCdevkit/VOC2007/Annotations&＃39;
saveBasePath &＃61; r"datasets/VOCdevkit/VOC2007/ImageSets/Main"trainval_percent &＃61; 0.8
train_percent &＃61; 1temp_xml &＃61; os.listdir(xmlfilepath)
total_xml &＃61; []
for xml in temp_xml:if xml.endswith(".xml"):total_xml.append(xml)num &＃61; len(total_xml)
list &＃61; range(num)
tv &＃61; int(num*trainval_percent)
tr &＃61; int(tv*train_percent)
trainval &＃61; random.sample(list, tv)
train &＃61; random.sample(trainval, tr)print("train and val size", tv)
print("traub suze", tr)
ftrainval &＃61; open(os.path.join(saveBasePath, &＃39;trainval.txt&＃39;), &＃39;w&＃39;)
ftest &＃61; open(os.path.join(saveBasePath, &＃39;test.txt&＃39;), &＃39;w&＃39;)
ftrain &＃61; open(os.path.join(saveBasePath, &＃39;train.txt&＃39;), &＃39;w&＃39;)
fval &＃61; open(os.path.join(saveBasePath, &＃39;val.txt&＃39;), &＃39;w&＃39;)for i in list:name &＃61; total_xml[i][:-4]&＃43;&＃39;\n&＃39;if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest .close()


到此为止&＃xff0c;已经处理好要训练的数据集了&＃xff01;接下来修改yolox相关代码&＃xff01;

VOC数据集的配置文件所在路径&＃xff1a;YOLOX/exps/example/yolox_voc/yolox_voc_s.py

a&＃xff09;修改 line14 &＃xff0c;num_classes 为自己的数据集的类别&＃xff0c;这里以2为例。 

b) 修改训练集和测试集目录  image_sets 

 c&＃xff09;修改类别voc_classes;文件所在路径&＃xff1a;YOLOX/yolox/data/datasets/voc_classes.py

d) 修改YOLOX/yolox/exp/yolox_base.py 中num_classes;

e)修改YOLOX/yolox/data/datasets/voc.py 文件下的_do_python_eval 函数&＃xff1b;

 f&＃xff09;训练模型&＃xff0c;本文训练模型使用yolox-s&＃xff1b;首先下载预训练模型&＃xff1b;将下载的模型放在YOLOX/weights/yolox_s.pth 路径下。

下载好的一些预训练权重&＃xff1a;

g&＃xff09; 可在YOLOX/yolox/exp/yolox_base.py 文件中配置相关训练参数。

 h&＃xff09; 开始训练&＃xff0c;训练命令&＃xff1a;

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 8 --fp16 -o -c weights/yolox_s.pth


训练&＃xff1a;

训练的模型权重以及训练日志存在路径&＃xff1a;YOLOX/YOLOX_outputs/yolox_voc_s/ 

使用tensorboard 查看训练过程&＃xff1a;

在路径YOLOX_outputs/yolox_voc_s/ 下&＃xff0c;执行&＃xff1a;

tensorboard --logdir ./

测试训练好的模型

首先在YOLOX/yolox/data/datasets/__init__.py 里需要加入voc 类别

需要更改测试YOLOX/tools/demo.py&＃xff1a;

测试代码&＃xff1a;

python tools/demo.py image -n yolox-s -c YOLOX_outputs/yolox_voc_s/best_ckpt.pth --path assets/1_169.jpg --conf 0.3 --nms 0.1 --tsize 640 --save_result


完美运行&＃xff01;&＃xff01; 

训练过程出现如下情况&＃xff1a; 

 训练前需要将VOCdevkit2007中annotations_cache的缓存删掉。