参考：
B站论文详解
YOLOX解读与感想
江大白 深入浅出Yolo系列之Yolox核心基础完整讲解

windows10搭建YOLOx环境 训练+测试+评估
江大白 深入浅出Yolox之自有数据集训练超详细教程

YOLOX

yolox主要提出解耦Head、anchor-free和SimOTA
Yolox-s是在Yolov5-s的基础上，进行的改进

YOLOX-DarkNet53

Yolox-Darknet53是在Yolov3的基础上，进行的改进

yolov3作为baseline

用BCE的loss训练分类和objectness置信度 的分支 ，用IOU的loss训练Regesison。对IOU的改进可以大大提高yolo系列网络收敛的速度，成为改进yolov3 的标配。
会使用一些mosaic和RandomHorizontalFlip的augmentation的方式
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。
而在Yolov4、Yolov5、甚至Yolox-s、l等版本中，都是采用FPN+PAN的形式，这里需要注意。

Yolov3_spp网络

Yolox-Darknet53网络结构

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。

输入端

Strong data augmentation

加入了 Mosaic 和 MixUp，和yolov5一样。

Mosaic数据增强

随机缩放、随机裁剪、随机排布

MixUp数据增强

将Image_1和Image_2，加权融合

注意

在最后的15个epoch关掉。
由于采取了更强的数据增强方式，使用强大的数据增强后，发现ImageNet预训练没有用了，所以所有的模型都是从头训练。

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

Neck

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
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。

而在Yolov4、Yolov5、甚至后面讲到的Yolox-s、l等版本中，都是采用FPN+PAN的形式，这里需要注意。

Prediction层

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。

Decoupled head

随着yolo系列的backbone和特征金字塔（FPN，PAN）不断演变，他们都是耦合。实验表明，耦合探测头可能会损害性能
Decoupled head对于端到端版本的YOLO至关重要，才能进行anchor free。

对于每一层FPN特征。包含一个1×1 conv层以减小通道尺寸（将特征通道减少到256），然后是两个分别具有两个3×3 conv层的并行分支（分别用于分类和回归），IoU分支添加到回归分支上。

yolov3~v5就是把FPN的输出放到head里面输出，这个矩阵的大小是HW（C+4+1）

上图右面的Prediction中，我们可以看到，有三个Decoupled Head分支。
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1x1 的卷积先进行降维，并在后面两个分支里，各使用了 2个3x3 卷积，最终调整到仅仅增加一点点的网络参数。

Decoupled Head 细节

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2020。
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202080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20201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20204。
最后三个output，经过Concat融合到一起，得到2020*85的特征信息。

Decoupled Head②输出特征信息，并进行Concate，得到404085特征信息。
Decoupled Head③输出特征信息，并进行Concate，得到808085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840085的预测信息。
并经过一次Transpose，变为858400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

Anchor-free

Anchor Based方式

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。
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yolov3_spp，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。

Anchor Free方式

锚定机制增加了检测头的复杂性，以及每个图像的预测数量。
减少了设计参数的数量
每个位置的预测从三个变成一个，同时输出四个值：网格左上角的两个偏移量以及预测框的高度和宽度。
直接把每个物体的中心点当做正样本。预先定义比例范围，以指定每个对象的FPN级别

yolox把原来的yolo的anchor-based框架改成了anchor-free框架。

最后黄色的858400，不是类似于Yolov3中的Feature Map，而是特征向量。当输入为640640时，最终输出得到的特征向量是85*8400。

将前面Backbone中，下采样的大小信息引入进来。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202085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3232。
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1616。
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。

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。
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。

如何挑选正样本锚框，涉及到两个关键点：初步筛选、SimOTA

初步筛选

指出了yolov3里的问题，仅为每个对象选择一个正样本（中心位置），同时忽略其他高质量预测框，但是这些高质量预测框是有助于网络收敛的。
Multi positives：将中心3×3区域指定为正（落在这个区域所有的预测框），在FCOS中也称为“中心采样”

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
根据中心点来判断：寻找anchor_box中心点，落在groundtruth_boxes矩形范围的所有anchors。groundtruth的矩形框范围确定了，再根据范围去选择适合的锚框。
根据目标框来判断：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。groundtruth正方形范围确定了，再根据范围去挑选锚框。

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。

精细化筛选 SimOTA

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

SimOTA

label assignment 标签分配四个关键
1). loss/quality aware,
2). center prior,
3). dynamic number of positive anchors for each ground-truth (abbreviated as dynamic top-k),
4). global view.
满足这四个条件就会有比较好的 label assignment

流程如下：
设置候选框数量
通过cost挑选候选框
过滤共用的候选框
Loss计算（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。）

Other Backbones

除了DarkNet53之外还测试了其他不同尺寸的主干上的YOLOX

YOLOv5中改进的CSPNet
Tiny and Nano detectors
模型大小和数据扩充

Yolox-s、l、m、x系列

Yolov5s的网络结构

Yolox-s的网络结构

Yolox-s：
（1）输入端：在Mosac数据增强的基础上，增加了Mixup数据增强效果；
（2）Backbone：激活函数采用SiLU函数；
（3）Neck：激活函数采用SiLU函数；
（4）输出端：检测头改为Decoupled Head、采用anchor free、multi positives、SimOTA的方式。

官方数据集结果