超越全系列YOLO、Anchor-free+技巧组合，旷视开源更强的YOLOX

机器之心报道
编辑：杜伟、陈萍
在本文中，来自旷视的研究者提出高性能检测器YOLOX ，并对YOLO系列进行了经验性改进，将Anchor-free、数据增强等目标检测领域先进技术引入YOLO 。获得了超越YOLOv3、YOLOv4和YOLOv5的AP ，而且取得了极具竞争力的推理速度。
【超越全系列YOLO、Anchor-free+技巧组合，旷视开源更强的YOLOX】随着目标检测技术的发展， YOLO系列始终追寻可以实时应用的最佳速度和准确率权衡。学界人士不断提取当时最先进的检测技术（如YOLOv2的anchor、YOLOv3的残差网络），并对这些检测技术进行优化以实现最佳性能。目前， YOLOv5在速度和准确率上有最好的权衡，在COCO数据集上以13.7ms的速度获得48.2%AP 。
然而，过去两年时间里，目标检测领域的主要进展集中在无锚点（anchor-free）检测器、先进的标签分配策略以及端到端的（NMS-free）检测器。但是，这些技术还没有集成到YOLO系列模型中， YOLOv4、YOLOv5仍然还是基于anchor的检测器，使用手工分配策略进行训练。
近日，旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与YOLO进行了巧妙地集成组合，提出了YOLOX ，不仅实现了超越YOLOv3、YOLOv4和YOLOv5的AP ，而且取得了极具竞争力的推理速度。

文章图片
论文地址：https://arxiv.org/abs/2107.08430项目地址：https://github.com/Megvii-BaseDetection/YOLOX考虑到YOLOv4、YOLOv5在基于anchorpipeline中可能会出现一些过拟合，研究者选择YOLOv3作为起点（将YOLOv3-SPP设置为默认的YOLOv3）。事实上，由于计算资源有限，以及在实际应用中软件支持不足， YOLOv3仍然是业界应用最广泛的检测器之一。
如下图1所示，通过将目标检测领域优秀进展与YOLO进行组合，研究者在图像分辨率为640×640的COCO数据集上将YOLOv3提升到47.3%AP（YOLOX-DarkNet53），大大超过了目前YOLOv3（44.3%AP ， ultralyticsversion2）的最佳实践。
此外，当将网络切换到先进的YOLOv5架构，该架构采用先进的CSPNet骨干以及一个额外的PAN头， YOLOX-L在COCO数据集、图像分辨率为640×640获得50.0%AP ，比YOLOv5-L高出1.8%AP 。研究者还在小尺寸上测试所设计的策略， YOLOX-Tiny和YOLOX-Nano（仅0.91M参数和1.08GFLOPs）分别比对应的YOLOv4-Tiny和NanoDet3高出10%AP和1.8%AP 。

文章图片
在CVPR2021WAD挑战赛的StreamingPerceptionChallenge赛道上，旷视提出的基于YOLOX模型（YOLOX-L）的2D实时目标检测系统在Argoverse-HD数据集上实现了41.1的streamingAP 。此外，研究者在推理时用到了TensorRT优化器，使得模型在高分辨输入（即1440×2304）时实现了30fps的推理速度。

文章图片
图源：https://eval.ai/web/challenges/challenge-page/800/overview
YOLOX-DarkNet53
研究者选择将YOLOv3+Darknet53作为基线模型，并基于它详细介绍了YOLOX的整个系统设计。
实现细节
从基线模型到最终模型，研究者的训练设置基本保持一致。他们在COCOtrain2017数据集上训练了300个epoch的模型并进行5个epoch的warmup ，使用随机梯度下降（SGD）来训练，学习率为lr×BatchSize/64 ，初始学习率为0.01 ，并使用了余弦（cosine）学习机制。权重衰减为0.0005 ， SGDmomentum为0.9 。批大小默认为128（8个GPU），其他批大小使用单个GPU训练也运行良好。输入大小以32步长从448均匀过渡到832 。 FPS和延迟在单个TeslaV100上使用FP16-precision和batch=1进行测量。