随着旷视科技发布Yolox的论文和代码后，Yolox得到了广泛的关注。但由于训练代码和之前的Yolov3、Yolov4、Yolov5的代码都不相同。且代码中的训练案例，以COCO和VOC格式为基准，和平时大家标注的文件，并不是完全相同的格式。而且训练自有数据的讲解流程，很多人不太熟悉。
因此大白以自有标注的人头数据集为案例，一步步和大家一起学习，整体的训练和测试全流程。
PS：大白将代码文件、网络权重、数据集划分代码和人头数据集，都整理汇总，可点击最下方，阅读原文查看下载。
文章目录
1 深入浅出Yolo核心基础完整讲解 2 Yolox代码环境搭建 2.1 下载Yolox代码 2.2 搭建测试环境 2.3 代码测试：Demo效果测试 3 Yolox自有数据集训练 3.1 数据集准备：标注数据 3.2 数据集准备：训练&验证集划分 3.3 训练准备：修改训练配置参数 3.4 Yolox训练及常见问题 3.5 训练效果测试 4 相关推荐：更多数据集下载
1 深入浅出Yolo核心基础完整讲解
当然了解训练和测试流程，我们还需要了解其相关的原理。
大白这里列出之前写的Yolo相关的文章，可以对应查看了解：
① Yolov3相关资料
【视频】：深入浅出Yolov3（上）、深入浅出Yolov3（下）
② Yolov4相关资料
【视频】：深入浅出Yolov4（上）、深入浅出Yolov4（下）
【文章】：《深入浅出Yolo系列之Yolov3&4核心基础知识完整讲解》
③ Yolov5相关资料
【文章】：《深入浅出Yolo系列之Yolov5核心基础知识完整讲解》
注意：因无法直接放文章或视频外链，可点击最下方，阅读原文进行查看。
2 Yolox代码环境搭建
在Yolox代码训练之前，我们先下载Yolox代码，将测试环境搭建起来。
测试的Demo跑通了，训练的环境也就没问题了。
2.1 下载Yolox代码
Yolox代码链接：https://github.com/Megvii-BaseDetection/YOLOX
2.2 搭建测试环境
大白的电脑系统为Ubuntu 16.04版本。
而Yolox测试环境的搭建，其实在代码中的，README.md中“Quick Start”这部分。
为了大家更简单入手，下面大白一步步演示一下：
首先为了测试环境更加独立，大白以conda为例，新建一个Yolox环境。
（1）新建一个Conda环境
输入命令：conda create -n Yolox_3.7 python=3.7
Python为3.7版本，名字为Yolox_3.7的Conda环境，新建完成。
（2）进入Conda环境
输入命令：conda activate Yolox_3.7，进入Conda环境中，并到下载好的YOLOX文件夹下。
（3）安装代码依赖的库文件
输入命令：pip3 install -U pip && pip3 install -r requirements.txt
即可下载好，代码所依赖的一些库文件。
（4）通过setup.py安装一些库文件
输入命令：python3 setup.py develop
（5）下载apex文件
输入命令：git clone https://github.com/NVIDIA/apex
可以将apex所有文件下载到YOLOX文件夹中，不过大白网络原因，一直无法下载，所以大白先直接下载好apex文件，解压放到YOLOX中。
大白这里也将apex放到数据集的网盘中，大家也点击最下方阅读原文，进行下载。
（6）安装apex文件
输入命令：cd apex
sudo pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
（7）下载pycocotools
输入命令：pip3 install cython
再输入命令：
pip3 install 'git https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'
2.3 代码测试：Demo效果测试
2.3.1 下载Yolox_s.pth文件
搭建好环境后，就可以下载官方的预训练模型，对图片进行测试了。
预训练权重的下载链接，在官方代码的说明中。
我们先下载Yolox_s.pth文件，尝试测试效果。
下载好yolox_s.pth.tar后，放到YOLOX代码的文件夹下：
2.3.2 Demo测试
使用代码中自带的图片，进行Demo测试。
在YOLOX文件夹的终端页面输入：
python3 tools/demo.py image -n yolox-s -c yolox_s.pth.tar --path assets/dog.jpg --conf 0.3 --nms 0.5 --tsize 640 --save_result --device [gpu]
YOLOX的代码中，会新建一个YOLOX_outputs文件夹，在其中的yolox_s/vis_res/，可以看到带有检测效果的图片。
到此Yolox的测试环境，以及测试效果都实现了，下面我们再进行Yolox的自有数据集训练。
3 Yolox自有数据集训练
3.1 数据集准备：标注数据
在数据集中，大白采用教室场景下的一个人头数据集，和大家一起尝试整个流程。
① 标注的工具：采用Labelimg标注软件
② 标注的图片：3000张人头图片
③ 标签的类别：head。
④ 下载链接：点击最下方阅读原文，进行下载。
3.2 数据集准备：训练&验证集划分
3.2.1 数据集介绍
当下载好人头数据集后，可以看到head的数据集文件夹，数据集只有一个标签：head（人头）。
进入head文件夹中，其中包含两个文件夹：
① JPEGImages文件夹：数据集的图片
② Annotations文件夹：与图片对应的所有xml文件。
将文件夹的结构展开，即下图这样的排布：
我们前面说明，总共有3000张图片，即有对应的3000个xml文件。
3.2.2 模仿VOC格式排布
Yolox的代码中有VOC、和COCO两个数据集加载的格式，这里大白主要演示VOC加载的方式。
那么我们首先看一下VOC格式的分布：
在VOC这些文件夹中，我们主要用到：
① JPEGImages文件夹：数据集图片
② Annotations文件夹：与图片对应的xml文件
③ ImageSets/Main文件夹：将数据集分为训练集和验证集，因此产生的train.txt和val.txt。
从Voc的文件夹排布，和head的文件夹排布，可以看出：还缺少一个ImageSets/Main文件夹。
因此在head文件夹中，新建一个ImageSets文件集，再在其中新建一个Main子文件夹。
即得到下图这样的文件夹结构：
3.2.3 划分训练集和验证集
因为自有标注好的图片数据，都是放在一起的。
而训练过程中，需要划分为训练集和验证集。
因此还需要编写脚本，将数据集分为训练集和验证集，并且生成对应的train.txt，和val.txt，放在Main文件夹中。
这里大白贴上写的划分数据集的代码，当然，代码文件也在上面的数据集下载处，点击最下方阅读原文，进行下载。
下载好代码后，将脚本文件train_val_data_split.py放在JPEGImages同路径下：
并进行运行后，在ImageSets/Main文件夹下，就会生成对应的train.txt和val.txt。
主要注意的是：代码中，训练集和验证集的比例，为9：1，大家也可以自行调整。
3.3 训练准备：修改训练配置参数
3.3.1 修改类别标签和数量
① 修改类别标签
因此前面自有的数据集只有一个类别，head。
将yolox/data/datasets/voc_classes.py中的标签信息，进行修改。
注意：类别后面都要加逗号，例如“head”后面加了一个逗号“，”。
② 修改类别数量
（1）修改exps/example/yolox_voc/yolox_voc_s.py中的self.num_classes
因为只有head一种，所以self.num_classes=1。
（2）修改yolox/exp/yolox_base.py中的self.num_classes
将self.num_classes=80修改为1。
3.3.2 修改训练集信息
（1）修改exps/example/yolox_voc/yolox_voc_s.py中的VOCDection。
因为是自己的数据集，所以修改为：
data_dir是前面3.2节中head的绝对路径，images_sets修改为train。
此外，max_labels，表示图片最多的目标数量，这里大白因为使用的是人头，数量较多，所以改为100。
（2）修改yolox/data/datasets/voc.py中，VOCDection函数中的读取txt文件。
因为自有的数据集，没有year年代的信息，所以修改为：
3.3.3 修改验证集信息
修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。
因为是自己的验证数据集，所以修改为：
data_dir是前面3.2节中head的绝对路径，images_sets修改为val。
3.3.4 修改不同的网络结构
以Yolox_s网络为例，比如在exps/default/yolox_s.py中，self.depth=0.33，self.width=0.5。和Yolov5中的不同网络调用方式一样。
为了统一不同的网络结构，继续修改exps/example/yolox_voc/yolox_voc_s.py中的，self.depth和self.width。
再修改yolox/exp/yolox_base.py中的，self.depth和self.width。
3.3.5 修改其他相关
（1）删除year等信息
因为自有数据集中，没有year信息，所以需要删除。
即修改yolox/data/datasets/voc.py中，_get_voc_results_file_template函数。
所以将第三行的year等删除，如下图所示：
在训练过程中，在原始的head数据集中，会生成一个results的文件夹，保存历史信息。
（２）修改验证epoch的数量
目前代码中是训练迭代10个epoch，再对验证集做１次验证，但大白想每迭代1个epoch，即做一个验证，及时看到效果。
参数在yolox/exp/yolox_base.py的class Exp中：
修改为
设置为每迭代一个epoch，即使用验证集验证一次。
（３）修改验证时的相关信息
主要对读取验证信息的相关代码进行调整，代码在yolox/data/datasets/voc.py中_do_python_eval函数中。
① 因为自有数据集没有year信息，所以将其中的rootpath和name：
修改为：
② 因为没有year信息，所以将其中的cachedir:
修改为：
在训练过程中，在原始的head数据集中，会生成一个annotations_cache的文件夹，保存历史信息。
③ 因为没有year信息，所以修改use_07_metric的信息。
修改为：
3.4 Yolox训练及常见问题
3.4.1 开始训练
（1）终端训练
将下载好的yolox_s.pth.tar放到YOLOX文件夹中，打开终端，在终端中输入：
python3 tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 64 -c yolox_s.pth.tar
（2）Pycharm训练
代码运行时，常常需要Debug的方式，进行调试执行。
所以可以修改train.py的几个配置参数，采用Debug或者Run的方式进行执行。
主要需要修改以下参数：
① batch-size
根据自己机器的配置，设置batch-size的参数，比如大白这里设置的64。
② devices参数
如果GPU服务器只有1张卡，将devices的default修改为0。
③ exp_file参数
将exp_file的default修改为yolox_voc_s.py的路径（如代码版本更新，可重置路径）。
④ ckpt参数
如果使用预训练权重，将ckpt的default修改为模型权重的路径。
3.4.2 常见问题
在运行tools/train.py时，可能会出现以下问题，如没有可以跳过：
问题1：apex路径报错
因为YOLOX内的apex文件夹，还有一个apex文件夹，所以引用路径有点问题。
解决方法：
这时在每个调用apex的地方，添加一个apex.即可。
修改为：
需要注意的是，不少的地方，需要添加apex.，大概有10处左右，修改完之后，错误即可解决。
问题2：probubuf报错
解决方法：
（1）pip3 uninsall probobuf
（2）pip3 install google
（3）pip3 install protobuf
3.5 训练效果测试
在上面训练好模型后，我们可以得到一个精度测试最优的网络模型：
① best_ckpt.pth.tar：在tools/YOLOX_outputs/yolox_voc_s文件夹中。
② 为了方便测试，再挑选一张人头测试图片，放到assets文件夹中。
在YOLOX文件夹的终端页面输入：
python3 tools/demo.py image -n yolox-s -c tools/YOLOX_outputs/yolox_voc_s/best_ckpt.pth.tar --path assets/head.jpg --conf 0.3 --nms 0.5 --tsize 640 --save_result --device [gpu]
在YOLOX_outputs/yolox_s/vis_res，根据时间新建的文件夹下，可以看到检测出的效果图片。
注意：如最后的类别都显示person，将coco_classes.py中的类别，也修改为“head”。
4 相关推荐：更多数据集下载
除了上面人头的数据集，大白还汇总收集了数百个不同类别的数据集。
并将数据集，按照不同的种类，分门别类，大家也可以对应挑选下载尝试。
