YOLO(七) YOLOX

paper： YOLOX: Exceeding YOLO Series in 2021
code: Megvii-BaseDetection/YOLOX

一、改进点

1.1 特征使用了Focus网络结构、CSPDarknet以及SPPNet

Focus
CSPnet

使用CSPnet网络结构，CSPnet结构并不算复杂，就是将原来的残差块的堆叠进行了一个拆分，拆成左右两部分：主干部分继续进行原来的残差块的堆叠；另一部分则像一个残差边一样，经过少量处理直接连接到最后。因此可以认为CSP中存在一个大的残差边。

CSPDarkNet
对于SPP模型结构如下：

class SPPBottleneck(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_sizes=(5, 9, 13), activation="silu"):
        super().__init__()
        hidden_channels = in_channels // 2
        self.conv1      = BaseConv(in_channels, hidden_channels, 1, stride=1, act=activation)
        self.m          = nn.ModuleList([nn.MaxPool2d(kernel_size=ks, stride=1, padding=ks // 2) for ks in kernel_sizes])
        conv2_channels  = hidden_channels * (len(kernel_sizes) + 1)
        self.conv2      = BaseConv(conv2_channels, out_channels, 1, stride=1, act=activation)

    def forward(self, x):
        x = self.conv1(x)
        x = torch.cat([x] + [m(x) for m in self.m], dim=1)
        x = self.conv2(x)
        return x

1.2 分类回归层修改

分类回归层：Decoupled Head，以前版本的Yolo所用的解耦头是一起的，也就是分类和回归在一个1X1卷积里实现，YoloX认为这给网络的识别带来了不利影响。在YoloX中，Yolo Head被分为了两部分，分别实现，最后预测的时候才整合在一起。

1.3 Mosaic数据增强

1.4 Anchor Free：不使用先验框。

1.5 SimOTA ：为不同大小的目标动态匹配正样本。

参考：
[1] 睿智的目标检测53——Pytorch搭建YoloX目标检测平台
[2] YoloX-Focus网络