详细内容或原文请订阅后点击阅览
YOLOX：2021 年超越 YOLO 系列
我们将 YOLO 检测器切换到无锚方式，并采用其他高级检测技术，即解耦头和领先的标签分配策略 SimOTA，以在大型数据集上实现最先进的结果模型规模范围：对于只有 0.91M 参数和 1.08G FLOPs 的 YOLO-Nano，我们在 COCO 上获得了 25.3% 的 AP，比 NanoDet 高出 1.8% AP；对于业界使用最广泛的检测器之一 YOLOv3，我们对其进行了提升在 COCO 上达到 47.3% AP，比当前最佳实践高出 3.0% AP；对于参数量与 YOLOv4-CSP、YOLOv5-L 大致相同的 YOLOX-L，我们在 COCO 上以 68.9 FPS 的速度实现了 50.0% 的 AP在 Tesla V100 上，AP 超过 YOLOv5-L 1.8%。
来源:La Biblia de la IA摘要
«在本报告中，我们介绍了对YOLO系列的一些经验丰富的改进，形成了一个新的高性能检测器 - YOLOX。我们将YOLO检测器切换到无锚方式，并进行其他高级检测技术，即解耦头和领先的标签分配策略SimOTA，以在大规模模型范围内实现最先进的结果：对于只有0.91M参数和1.08G FLOPs的YOLO-Nano，我们在COCO上获得了25.3％的AP，比NanoDet高出1.8％的AP；对于业界使用最广泛的检测器之一YOLOv3，我们将其在COCO上的AP提升到47.3％，比目前的最佳实践高出3.0％的AP；对于参数量与 YOLOv4-CSP 大致相同的 YOLOX-L，YOLOv5-L 在 Tesla V100 上以 68.9 FPS 的速度在 COCO 上实现了 50.0% AP，比 YOLOv5-L 高出 1.8% AP。此外，我们使用单个 YOLOX-L 模型获得了流式感知挑战赛（CVPR 2021 自动驾驶研讨会）第一名。希望本报告能为实际场景中的开发者和研究人员提供有益的经验，我们还提供了支持 ONNX、TensorRT、NCNN 和 Openvino 的部署版本。”
🔘 论文页面：arxiv.org/abs/2108.11250v2
🔘 论文页面作者
葛征，刘松涛，王峰，李泽明，孙建
喜欢这篇文章？关注此博客获取更多信息。
喜欢这篇文章？关注此博客获取更多信息。