https://yolox.readthedocs.io/en/latest/quick_run.html
论文地址：https://arxiv.org/abs/2107.08430
github：https://github.com/Megvii-BaseDetection/YOLOX
网络结构可视化： https://blog.csdn.net/nan355655600/article/details/119329848
YOLOX 是 YOLO 的无锚版本，设计更简单但性能更好！它旨在弥合研究和工业界之间的差距。
YOLO系列始终追求实时应用的最佳速度和精度取舍，提取了当时可用的最先进的检测技术（例如，anchor用于YOLOv2，残差网络用于YOLOv3），并优化最佳实践的实现。
然而在过去的两年中，目标检测学术界的主要进展集中在anchor_free检测器，高级标签分配策略和端到端(NMS-free)检测器，这些研究成果还没有被集成在YOLO系列中，YOLOv4和YOLOv5目前还是使用了anchor_based及手动的指定训练分配规则（比如anchor相关的设置）。
作者还认为，YOLOv4和YOLOv5中对anchor有点过度的优化，所以重新将YOLOv3-SPP版本作为优化起点。原因是，YOLOv3由于计算资源有限，在各种实际应用中软件支持不足，仍然是行业中应用最广泛的探测器之一。
1、网络结构：
先看下Yolov3、Yolov4、Yolov5的网络结构图，而后面的Yolox网络，都是在此基础上延伸而来的。
① Yolov3网络结构图
Yolov3是在2018年提出，也是工业界使用非常广泛的目标检测算法。
不过在Yolox系列中的，Yolox-Darknet53模型，采用的Baseline基准网络，采用的并不是Yolov3版本，而是改进后的Yolov3_spp版本。
而Yolov3和Yolov3_spp的不同点在于，Yolov3的主干网络后面，添加了spp组件，这里需要注意。
② Yolov4网络结构图
上图是DarknetAB大神，在2020年提出的Yolov4算法。
在此算法中，网络的很多地方，都进行了改进。
比如输入端：采用Mosaic数据增强；
Backbone：采用了CSPDarknet53、Mish激活函数、Dropblock等方式；
Neck：采用了SPP（按照DarknetAB的设定）、FPN+PAN结构；
输出端：采用CIOU_Loss、DIOU_Nms操作。
因此可以看出，Yolov4对Yolov3的各个部分，都进行了很多的整合创新。
③ Yolov5网络结构图
而在Yolov5网络中，和Yolov4不同，最大的创新点在于，作者将网络结构，做成了可选择配置的方式。
比如主干网络结构，根据各个网络的宽度、高度不同，可以分为Yolov5s、Yolov5l、Yolov5s、Yolo5x等版本。
这种转变，在目标检测领域，引领了一股网络拆分的热潮。
本文的Yolox算法，也从这个角度出发，将Yolox模型，变为多种可选配的网络，比如标准网络结构和轻量级网络结构。
（1）标准网络结构：Yolox-s、Yolox-m、Yolox-l、Yolox-x、Yolox-Darknet53。
（2）轻量级网络结构：Yolox-Nano、Yolox-Tiny。
在实际的项目中，大家可以根据不同项目需求，进行挑选使用。
从上面的描述中，我们可以知道Yolox整体的改进思路：
（1）基准模型：Yolov3_spp
选择Yolov3_spp结构，并添加一些常用的改进方式，作为Yolov3 baseline基准模型；
（2）Yolox-Darknet53
对Yolov3 baseline基准模型，添加各种trick，比如Decoupled Head、SimOTA等，得到Yolox-Darknet53版本；
（3）Yolox-s、Yolox-m、Yolox-l、Yolox-x系列
对Yolov5的四个版本，采用这些有效的trick，逐一进行改进，得到Yolox-s、Yolox-m、Yolox-l、Yolox-x四个版本；
（4）轻量级网络
设计了Yolox-Nano、Yolox-Tiny轻量级网络，并测试了一些trick的适用性；
基准模型：Yolov3_spp
在设计算法时，为了对比改进trick的好坏，常常需要选择基准的模型算法。
而在选择Yolox的基准模型时，作者考虑到：
Yolov4和Yolov5系列，从基于锚框的算法角度来说，可能有一些过度优化，因此最终选择了Yolov3系列。
不过也并没有直接选择Yolov3系列中，标准的Yolov3算法，而是选择添加了spp组件，进而性能更优的Yolov3_spp版本。
以下是论文中的解释：
Considering YOLOv4 and YOLOv5 may be a little over-optimized for the anchor-based pipeline, we choose YOLOv3 [25] as our start point (we set YOLOv3-SPP as the default YOLOv3)。
为了便于理解，在前面Yolov3结构图的基础上，添加上spp组件，变为下图所示的Yolov3_spp网络。
大家可以看到，主干网络Backbone后面，增加了一个SPP组件。
当然在此基础上，对网络训练过程中的很多地方，都进行了改进，比如：
（1）添加了EMA权值更新、Cosine学习率机制等训练技巧
（2）使用IOU损失函数训练reg分支，BCE损失函数训练cls与obj分支
（3）添加了RandomHorizontalFlip、ColorJitter以及多尺度数据增广，移除了RandomResizedCrop。
在此基础上，Yolov3_spp的AP值达到38.5，即下图中的Yolov3 baseline。
Yolox-Darknet53
我们在前面知道，当得到Yolov3 baseline后，作者又添加了一系列的trick，最终改进为Yolox-Darknet53网络结构。
上图即是Yolox-Darknet53网络结构图。
为了便于分析改进点，我们对Yolox-Darknet53网络结构进行拆分，变为四个板块：
① 输入端：Strong augmentation数据增强
② BackBone主干网络：主干网络没有什么变化，还是Darknet53。
③ Neck：没有什么变化，Yolov3 baseline的Neck层还是FPN结构。
④ Prediction：Decoupled Head、End-to-End YOLO、Anchor-free、Multi positives。
在经过一系列的改进后，Yolox-Darknet53最终达到AP47.3的效果。
下面我们对于Yolox-Darknet53的输入端、Backbone、Neck、Prediction四个部分，进行详解的拆解。
输入端：
（1）Strong augmentation
在网络的输入端，Yolox主要采用了Mosaic、Mixup两种数据增强方法。
而采用了这两种数据增强，直接将Yolov3 baseline，提升了2.4个百分点。
① Mosaic数据增强
Mosaic增强的方式，是U版YOLOv3引入的一种非常有效的增强策略。
而且在Yolov4、Yolov5算法中，也得到了广泛的应用。
通过随机缩放、随机裁剪、随机排布的方式进行拼接，对于小目标的检测效果提升，还是很不错的。
② MixUp数据增强
MixUp是在Mosaic基础上，增加的一种额外的增强策略。
主要来源于2017年，顶会ICLR的一篇论文《mixup: Beyond Empirical Risk Minimization》。当时主要应用在图像分类任务中，可以在几乎无额外计算开销的情况下，稳定提升1个百分点的分类精度。
而在Yolox中，则也应用到目标检测中，代码在yolox/datasets/mosaicdetection.py这个文件中。
其实方式很简单，比如我们在做人脸检测的任务。
先读取一张图片，图像两侧填充，缩放到640*640大小，即Image_1，人脸检测框为红色框。
再随机选取一张图片，图像上下填充，也缩放到640*640大小，即Image_2，人脸检测框为蓝色框。
然后设置一个融合系数，比如上图中，设置为0.5，将Image_1和Image_2，加权融合，最终得到右面的Image。
从右图可以看出，人脸的红色框和蓝色框是叠加存在的。
我们知道，在Mosaic和Mixup的基础上，Yolov3 baseline增加了2.4个百分点。
不过有两点需要注意：
（1）在训练的最后15个epoch，这两个数据增强会被关闭掉。
而在此之前，Mosaic和Mixup数据增强，都是打开的，这个细节需要注意。
（2）由于采取了更强的数据增强方式，作者在研究中发现，ImageNet预训练将毫无意义，因此，所有的模型，均是从头开始训练的。
2 Backbone
Yolox-Darknet53的Backbone主干网络，和原本的Yolov3 baseline的主干网络都是一样的。
都是采用Darknet53的网络结构
3 Neck
在Neck结构中，Yolox-Darknet53和Yolov3 baseline的Neck结构，也是一样的，都是采用FPN的结构进行融合。
如下图所示，FPN自顶向下，将高层的特征信息，通过上采样的方式进行传递融合，得到进行预测的特征图。
Prediction层
在输出层中，主要从四个方面进行讲解：Decoupled Head、Anchor Free、标签分配、Loss计算。
（1）Decoupled Head
我们先来看一下Decoupled Head，目前在很多一阶段网络中都有类似应用，比如RetinaNet、FCOS等。
而在Yolox中，作者增加了三个Decoupled Head，俗称“解耦头”
大白这里从两个方面对Decoupled Head进行讲解：
① 为什么使用Decoupled Head？
② Decoupled Head的细节？
从上图右面的Prediction中，我们可以看到，有三个Decoupled Head分支。
① 为什么使用Decoupled Head？
在了解原理前，我们先了解下改进的原因。为什么将原本的Yolo head，修改为Decoupled Head呢？
我们先看一张论文中的表格：
在前面3.2.1 基准网络中，我们知道Yolov3 baseline的AP值为38.5。
作者想继续改进，比如输出端改进为End-to-end的方式（即无NMS的形式）。
但意外的发现，改进完之后的AP值只有34.3。
而在2020年12月份，旷视科技发表的《End-to-End Object Detection with Fully Convolution Network》中。
在对FCOS改进为无NMS时，在COCO上，达到了与有NMS的FCOS，相当的性能。
那这时就奇怪了，为什么在Yolo上改进，会下降这么多？
在偶然间，作者将End-to-End中的Yolo Head，修改为Decoupled Head的方式。
惊喜的发现，End-to-end Yolo的AP值，从34.3增加到38.8。
那End-to-end的方式有效果，Yolov3 baseline中是否也有效果呢？
然后作者又将Yolov3 baseline 中Yolo Head，也修改为Decoupled Head。
发现AP值，从38.5，增加到39.6。
当然作者在实验中还发现，不单单是精度上的提高。替换为Decoupled Head后，网络的收敛速度也加快了。
但是需要注意的是：将检测头解耦，会增加运算的复杂度。
因此作者经过速度和性能上的权衡，最终使用 1个1×1 的卷积先进行降维，并在后面两个分支里，各使用了 2个3×3 卷积，最终调整到仅仅增加一点点的网络参数。
而且这里解耦后，还有一个更深层次的重要性：
Yolox的网络架构，可以和很多算法任务，进行一体化结合。
比如：
（1）YOLOX + Yolact/CondInst/SOLO ，实现端侧的实例分割。
（2）YOLOX + 34 层输出，实现端侧人体的 17 个关键点检测。
② Decoupled Head的细节？
了解了Decoupled Head的来源，再看一下Decoupled Head的细节。
我们将Yolox-Darknet53中，Decoupled Head①提取出来，经过前面的Neck层，这里Decouple Head①输入的长宽为20*20。
从图上可以看出，Concat前总共有三个分支：
（1）cls_output：主要对目标框的类别，预测分数。因为COCO数据集总共有80个类别，且主要是N个二分类判断，因此经过Sigmoid激活函数处理后，变为20*20*80大小。
（2）obj_output：主要判断目标框是前景还是背景，因此经过Sigmoid处理好，变为20*20*1大小。
（3）reg_output：主要对目标框的坐标信息（x，y，w，h）进行预测，因此大小为20*20*4。
最后三个output，经过Concat融合到一起，得到20*20*85的特征信息。
当然，这只是Decoupled Head①的信息，再对Decoupled Head②和③进行处理。
Decoupled Head②输出特征信息，并进行Concate，得到40*40*85特征信息。
Decoupled Head③输出特征信息，并进行Concate，得到80*80*85特征信息。
再对①②③三个信息，进行Reshape操作，并进行总体的Concat，得到8400*85的预测信息。
并经过一次Transpose，变为85*8400大小的二维向量信息。
这里的8400，指的是预测框的数量，而85是每个预测框的信息（reg，obj，cls）。
有了预测框的信息，下面我们再了解，如何将这些预测框和标注的框，即groundtruth进行关联，从而计算Loss函数，更新网络参数呢？
（2）Anchor-free
这里就要引入Anchor的内容，目前行业内，主要有Anchor Based和Anchor Free两种方式。
在Yolov3、Yolov4、Yolov5中，通常都是采用Anchor Based的方式，来提取目标框，进而和标注的groundtruth进行比对，判断两者的差距。
① Anchor Based方式
比如输入图像，经过Backbone、Neck层，最终将特征信息，传送到输出的Feature Map中。
这时，就要设置一些Anchor规则，将预测框和标注框进行关联。
从而在训练中，计算两者的差距，即损失函数，再更新网络参数。
比如在下图的，最后的三个Feature Map上，基于每个单元格，都有三个不同尺寸大小的锚框。
这里为了更形象的展示，以大白Yolov3视频中，输入图像大小416*416为例。
当输入为416*416时，网络最后的三个特征图大小为13*13，26*26，52*52。
我们可以看到，黄色框为小狗的Groundtruth，即标注框。
而蓝色的框，为小狗中心点所在的单元格，所对应的锚框，每个单元格都有3个蓝框。
当采用COCO数据集，即有80个类别时。
基于每个锚框，都有x、y、w、h、obj（前景背景）、class（80个类别），共85个参数。
因此会产生3*(13*13+26*26+52*52）*85=904995个预测结果。
如果将输入从416*416，变为640*640，最后的三个特征图大小为20*20,40*40,80*80。
则会产生3*（20*20+40*40+80*80）*85=2142000个预测结果。
② Anchor Free方式
而Yolox-Darknet53中，则采用Anchor Free的方式。
我们从两个方面，来对Anchor Free进行了解。
a.输出的参数量
我们先计算下，当得到包含目标框所有输出信息时，所需要的参数量？
这里需要注意的是：
最后黄色的85*8400，不是类似于Yolov3中的Feature Map，而是特征向量。
从图中可知，当输入为640*640时，最终输出得到的特征向量是85*8400。
我们看下，和之前Anchor Based方式，预测结果数量相差多少?
通过计算，8400*85=714000个预测结果，比基于Anchor Based的方式，少了2/3的参数量。
b.Anchor框信息
在前面Anchor Based中，我们知道，每个Feature map的单元格，都有3个大小不一的锚框。
那么Yolox-Darknet53就没有吗？
其实并不然，这里只是巧妙的，将前面Backbone中，下采样的大小信息引入进来。
比如上图中，最上面的分支，下采样了5次，2的5次方为32。
并且Decoupled Head①的输出，为20*20*85大小。
因此如上图所示：
最后8400个预测框中，其中有400个框，所对应锚框的大小，为32*32。
同样的原理，中间的分支，最后有1600个预测框，所对应锚框的大小，为16*16。
最下面的分支，最后有6400个预测框，所对应锚框的大小，为8*8。
当有了8400个预测框的信息，每张图片也有标注的目标框的信息。
这时的锚框，就相当于桥梁。
这时需要做的，就是将8400个锚框，和图片上所有的目标框进行关联，挑选出正样本锚框。
而相应的，正样本锚框所对应的位置，就可以将正样本预测框，挑选出来。
这里采用的关联方式，就是标签分配。
（3）标签分配
当有了8400个Anchor锚框后，这里的每一个锚框，都对应85*8400特征向量中的预测框信息。
不过需要知道，这些预测框只有少部分是正样本，绝大多数是负样本。
那么到底哪些是正样本呢？
这里需要利用锚框和实际目标框的关系，挑选出一部分适合的正样本锚框。
比如第3、10、15个锚框是正样本锚框，则对应到网络输出的8400个预测框中，第3、10、15个预测框，就是相应的正样本预测框。
训练过程中，在锚框的基础上，不断的预测，然后不断的迭代，从而更新网络参数，让网络预测的越来越准。
那么在Yolox中，是如何挑选正样本锚框的呢？
这里就涉及到两个关键点：初步筛选、SimOTA。
① 初步筛选
初步筛选的方式主要有两种：根据中心点来判断、根据目标框来判断；
这部分的代码，在models/yolo_head.py的get_in_boxes_info函数中。
a. 根据中心点来判断：
规则：寻找anchor_box中心点，落在groundtruth_boxes矩形范围的所有anchors。
比如在get_in_boxes_info的代码中，通过groundtruth的[x_center,y_center，w，h]，计算出每张图片的每个groundtruth的左上角、右下角坐标。
为了大家更容易理解，大白以人脸检测的任务绘制图片：
通过上面的公式，可以对左面人脸图片，计算出左上角（gt_l，gt_t），右下角（gt_r，gt_b）。
groundtruth的矩形框范围确定了，再根据范围去选择适合的锚框。
这里再绘制一个锚框的中心点，（x_center，y_center）。
而右面的图片，就是寻找锚框和groundtruth的对应关系。
即计算锚框中心点（x_center，y_center），和人脸标注框左上角（gt_l，gt_t），右下角（gt_r，gt_b）两个角点的相应距离。
比如下面代码图片中的前四行代码：
而在第五行，将四个值叠加之后，通过第六行，判断是否都大于0？
就可以将落在groundtruth矩形范围内的所有anchors，都提取出来了。
因为ancor box的中心点，只有落在矩形范围内，这时的b_l，b_r，b_t，b_b都大于0。
b.根据目标框来判断：
除了根据锚框中心点，和groundtruth两边距离判断的方式外，作者还设置了根据目标框判断的方法。
规则：以groundtruth中心点为基准，设置边长为5的正方形，挑选在正方形内的所有锚框。
同样在get_in_boxes_info的代码中，通过groundtruth的[x_center，y_center，w，h]，绘制了一个边长为5的正方形。
为了大家容易理解，大白还是以人脸检测的任务绘制图片：
在左面的人脸图片中，基于人脸标注框的中心点，利用上面的公式，绘制了一个边长为5的正方形。左上角点为（gt_l，gt_t），右下角点为（gt_r，gt_b）。
这时groundtruth正方形范围确定了，再根据范围去挑选锚框。
而右面的图片，就是找出所有中心点（x_center，y_center）在正方形内的锚框。
在代码图片中的前四行代码，也是计算锚框中心点，和正方形两边的距离。
通过第五行的叠加，再在第六行，判断c_l，c_r，c_t，c_b是否都大于0？
就可以将落在边长为5的正方形范围内，所有的anchors，都提取出来了，因为这时的c_l，c_r，c_t，c_b都大于0。
经过上面两种挑选的方式，就完成初步筛选了，挑选出一部分候选的anchor，进入下一步的精细化筛选。
② 精细化筛选
而在精细化筛选中，就用到论文中提到的SimOTA了：
从提升效果上来看，引入SimOTA后，AP值提升了2.3个百分点，还是非常有效的。
而SimOAT方法的提出，主要来源于旷视科技，2021年初CVPR上的一篇论文：《Ota: Optimal transport assignment for object detection》。
我们将SimOTA的前后流程进行拆解，看一下是如何进行精细化筛选的？
整个筛选流程，主要分为四个阶段：
a.初筛正样本信息提取
b.Loss函数计算
c.cost成本计算
d.SimOTA求解
为了便于理解，我们假定图片上有3个目标框，即3个groundtruth。
再假定目前在做的项目是对人脸和人体检测，因此检测类别是2。
上一节中，我们知道有8400个锚框，但是经过初步筛选后，假定有1000个锚框是正样本锚框。
a.初筛正样本信息提取
初筛出的1000个正样本锚框的位置，我们是知道的。
而所有锚框的位置，和网络最后输出的85*8400特征向量是一一对应。
所以根据位置，可以将网络预测的候选检测框位置bboxes_preds、前景背景目标分数obj_preds、类别分数cls_preds等信息，提取出来。
上面的代码位于yolo_head.py的get_assignments函数中。
以前面的假定信息为例，代码图片中的bboxes_preds_per_image因为是候选检测框的信息，因此维度为[1000，4]。
obj_preds因为是目标分数，所以维度是[1000，1]。
cls_preds因为是类别分数，所以维度是[1000，2]。
b.Loss函数计算
针对筛选出的1000个候选检测框，和3个groundtruth计算Loss函数。
计算的代码，也在yolo_head.py的get_assignments函数中。
首先是位置信息的loss值：pair_wise_ious_loss
通过第一行代码，可以计算出3个目标框，和1000个候选框，每个框相互之间的iou信息pair_wise_ious，因为向量维度为[3,1000]。
再通过-torch.log计算，得到位置损失，即代码中的pair_wise_iou_loss。
然后是综合类别信息和目标信息的loss值：pair_wise_cls_loss
通过第一行代码，将类别的条件概率和目标的先验概率做乘积，得到目标的类别分数。
再通过第二行代码，F.binary_cross_entroy的处理，得到3个目标框和1000个候选框的综合loss值，即pair_wise_cls_loss，向量维度为[3，1000]。
c.cost成本计算
有了reg_loss和cls_loss，就可以将两个损失函数加权相加，计算cost成本函数了。
这里涉及到论文中提到的一个公式：
相应的，对应于yolo_head.py的get_assignments函数中的代码：
可以看出，公式中的加权系数，即代码中的3。
d.SimOTA
有了上面的一系列信息，标签分配问题，就转换为了标准的OTA问题。
但是经典的Sinkhorn-Knopp算法，需要多次迭代求得最优解。
作者也提到，该算法会导致25%额外训练时间，所以采用一种简化版的SimOTA方法，求解近似最优解。这里对应的函数，是get_assignments函数中的self.dynamic_k_matching：
其中的流程如下：
第一步：设置候选框数量
首先按照cost值的大小，新建一个全0变量matching_matrix，这里是[3,1000]。
通过上面第二行代码，设置候选框数量为10。
再通过第三行代码，从前面的pair_wise_ious中，给每个目标框，挑选10个iou最大的候选框。
因为前面假定有3个目标，因此这里topk_ious的维度为[3，10]。
第二步：通过cost挑选候选框
下面再通过topk_ious的信息，动态选择候选框，这里是个关键。
代码如dynamic_k_matching函数中，下图所示：
为了便于大家理解，大白先把第一行制作成图示效果。
这里的topk_ious，是3个目标框和预测框中，最大iou的10个候选框：
经过torch.clamp函数，得到最终右面的dynamic_ks值。
我们就知道，目标框1和3，给他分配3个候选框，而目标框2，给它分配4个候选框。
那么基于什么标准分配呢？
这时就要利用前面计算的cost值，即[3,1000]的损失函数加权信息。
在for循环中，针对每个目标框挑选，相应的cost值最低的一些候选框。
比如右面的matching_matrix中，cost值最低的一些位置，数值为1，其余位置都为0。
因为目标框1和3，dynamic_ks值都为3，因此matching_matrix的第一行和第三行，有3个1。
而目标框2，dynamic_ks值为4，因此matching_matrix的第二行，有4个1。
第三步：过滤共用的候选框
不过在分析matching_matrix时，我们发现，第5列有两个1。
这也就说明，第五列所对应的候选框，被目标检测框1和2，都进行关联。
因此对这两个位置，还要使用cost值进行对比，选择较小的值，再进一步筛选。
这里为了便于理解，还是采用图示的方式：
首先第一行代码，将matching_matrix，对每一列进行相加。
这时anchor_matching_gt中，只要有大于1的，说明有共用的情况。
上图案例中，表明第5列存在共用的情况。
再利用第三行代码，将cost中，第5列的值取出，并进行比较，计算最小值所对应的行数，以及分数。
我们将第5列两个位置，假设为0.4和0.3。
经过第三行代码，可以找到最小的值是0.3，即cost_min为0.3，所对应的行数，cost_argmin为2。
经过第四行代码，将matching_matrix第5列都置0。
再利用第五行代码，将matching_matrix第2行，第5列的位置变为1。
最终我们可以得到3个目标框，最合适的一些候选框，即matching_matrix中，所有1所对应的位置。
（4）Loss计算
经过第三部分的标签分配，就可以将目标框和正样本预测框对应起来了。
下面就可以计算两者的误差，即Loss函数。
计算的代码，位于yolo_head.py的get_losses函数中。
我们可以看到：
检测框位置的iou_loss，Yolox中使用传统的iou_loss，和giou_loss两种，可以进行选择。
而obj_loss和cls_loss，都是采用BCE_loss的方式。
当然除此之外，还有两点需要注意：
a.在前面精细化筛选中，使用了reg_loss和cls_loss，筛选出和目标框所对应的预测框。
因此这里的iou_loss和cls_loss，只针对目标框和筛选出的正样本预测框进行计算。
而obj_loss，则还是针对8400个预测框。
b.在Decoupled Head中，cls_output和obj_output使用了sigmoid函数进行归一化，
但是在训练时，并没有使用sigmoid函数，原因是训练时用的nn.BCEWithLogitsLoss函数，已经包含了sigmoid操作。
而在推理过程中，是使用Sigmoid函数的。
文章来源：https://zhuanlan.zhihu.com/p/397993315