YOLOX：在2021年超越YOLO系列
计算机视觉与模式识别
2021-08-09 v2
摘要
在本报告中，我们提出了一些针对YOLO系列的实证改进，形成了一个新的高性能检测器——YOLOX。我们将YOLO检测器切换为无锚框方式，并采用了其他先进检测技术，即解耦头与领先的标签分配策略SimOTA，以在大规模模型范围内取得最先进的结果：对于仅有0.91M参数和1.08G FLOPs的YOLO-Nano，我们在COCO上获得25.3% AP，超越NanoDet 1.8% AP；对于工业界应用最广泛的检测器之一YOLOv3，我们将其在COCO上提升至47.3% AP，优于当前最佳实践3.0% AP；对于参数规模与YOLOv4-CSP、YOLOv5-L大致相当的YOLOX-L，我们在Tesla V100上以68.9 FPS的速度在COCO上达到50.0% AP，超越YOLOv5-L 1.8% AP。此外，我们使用单个YOLOX-L模型在流式感知挑战赛（CVPR 2021自动驾驶研讨会）中获得第一名。我们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经验，并且我们也提供了支持ONNX、TensorRT、NCNN和Openvino的部署版本。源代码位于https://github.com/Megvii-BaseDetection/YOLOX。
引用
@article{arxiv.2107.08430,
title = {YOLOX: Exceeding YOLO Series in 2021},
author = {Zheng Ge and Songtao Liu and Feng Wang and Zeming Li and Jian Sun},
journal= {arXiv preprint arXiv:2107.08430},
year = {2021}
}