云恒制造：yolox 训练自己的数据集 （COCO格式）

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 | main249 – 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 01:59:29.285 | INFO | main

259 – Model Summary: Params: 8.97M, Gflops: 26.81

2021-08-25 01:59:29.286 | INFO | main

270 – loading checkpoint

2021-08-25 01:59:29.427 | INFO | main274 – loaded checkpoint done.

2021-08-25 01:59:29.619 | INFO | main

159 – Infer time: 0.1775s

2021-08-25 01:59:29.621 | INFO | main196 – 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”,

) 设置预训练权重路径， default=”../weights/yolox_s.pth”

parser.add_argument(“-c”, “—ckpt”, default=”../weights/yolox_s.pth”, type=str, help=”checkpoint file”)

4.终端运行

python tools/train.py # 也可以在后面添加配置参数 -b 64 -d 4 等。

如果要指定使用哪几颗GPU，可在 python 前添加环境变量 CUDA_VISIBLE_DEVICES。注意与 —devices 参数数量相匹配。示例

CUDA_VISIBLE_DEVICES=1，2 python tools/train.py -b 32 -d 2

训练结果测试

在训练完成后，可以对训练的YOLOX算法模型进行测试，测试文件保存在tools/文件夹下，测试可以运行demo.py和eval.py这两个文件。

测试时需要修改配置参数—exp_file，保持与训练时的配置文件一致.