代码收藏家 YOLOX训练自己的数据集(超详细)
目录
（1）、将yolox/data/datasets/voc_classes.py中的标签信息，进行修改。
（4）、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。
YOLOX是旷视提出来的，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，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。
一、YOLOX安装
1、下载GitHub上的代码
git clone https://github.com/Megvii-BaseDetection/YOLOX
2、安装yolov5所需要的依赖环境
（1）、安装代码依赖的库文件
cd /home/xxx/xxx/xxxr/YOLOX-main
pip3 install -U pip && pip3 install -r requirements.txt
（2）、通过setup.py安装一些库文件
通过setup.py安装一些库文件
输入命令：python3 setup.py develop
（3）、安装apex文件
输入命令：git clone https://github.com/NVIDIA/apex
sudo pip3 install -v –disable-pip-version-check –no-cache-dir –global-option="–cpp_ext" –global-option="–cuda_ext" ./
二、YOLOX训练自己的数据集
1、数据集预处理
在这里选择使用VOC格式对YOLOX进行训练，处理的图片主要包含三个文件夹，其中Annotations存放的是xml标签数据，JPEGImages存放的是图片数据，ImageSets存放的是训练、验证、测试的txt文件。
2、修改代码
（1）、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“car”后面加了一个逗号“，”。
（2）、修改类别数量
（3）、修改训练集信息
data_dir是前面product_ak的绝对路径，
images_sets修改为trainval
max_labels表示图片最多的目标数量，设为50。
（4）、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。
data_dir是前面product_ak的绝对路径，
images_sets修改为test
（5）、修改不同的网络结构
以YOLOX_l网络为例，比如在exps/default/yolox_s.py中，self.depth=1.0，self.width=1.0。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。
（6）、修改其他相关参数
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。
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。
三、YOLOX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：
根据自己机器的配置，设置batch-size的参数，比如设置为64。
如果GPU服务器只有1张卡，将devices的default修改为0。
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）。
如果使用预训练权重，将ckpt的default修改为模型权重的路径。
然后就可以在pycharm里面进行训练了。
四、YOLOX训练及常见问题
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
1、利用demo.py进行测试
2、利用eval.py进行测试
修改eval.py文件中的batch_size大小，可根据个人的显卡大小修改
来源：AI小白一枚
