【YOLO】解决YOLOX训练时AP为0

训练Coco数据集可查看： YOLOX训练COCO数据集

因xml文件中不存在 difficult 参数导致的 ap=0 可查看：关于xml文件中不存在 difficult 参数导致的ap为0

前段时间被YOLOX刷屏了，各个公众号都在强推，号称：性能超Yolov5，吊打一切YOLO

于是，我满怀期待，下载下源码，准备试一试．．．

一、问题描述

嗯，没错，遇到了一堆bug，不过好在都解决了，最后训练的时候

好家伙，AP一直为0，上 Github 的 YOLOX 的 Issues 上一搜索，看来遇到同样问题的不止我一个
而且根据有些答复修改，发现也不对，最后陷入沉思．．．

直到昨天群组里，偶然有人说他成功使用了YOLOX并且进行了部署，我就呆了，告诉了他我训练时AP为0，并询问了他具体使用方法，当然得到的答复并没有真正解决我的问题．．．

二、发现问题

于是今早我又开始调试，检查，我突然想到是不是 数据加载出了问题

结果发现，还真就是这块儿导致的问题

三、解决问题

• 首先，保证自定义VOC格式数据是否正确

  ├─datasets
  │  └─VOCdevkit
  │      └─VOC2007
  │          ├─Annotations
  │          ├─ImageSets
  │          │  └─Main
  │          └─JPEGImages
  

  在 Main 文件夹下一定有对应的 train.txt 和 val.txt

• 然后，对yolox/data/datasets/voc_classes.py进行修改，修改成你训练数据的类别（保险起见，最好每一个类别后都加上 ,）：

  VOC_CLASSES = (
  "panda",
  "tiger",
  )
  

• 接着修改yolox/exp/yolox_base.py

  (这里应该也可以不用修改，因为后面的exps/example/yolox_voc/yolox_voc_s.py会对self.num_classes进行重载)
  将self.num_classes修改为自己的类别数
  self.num_classes = 2 (我的数据集是 2)
  
  你还可以修改 self.inputsize, self.random_size 改变训练尺寸大小
  
  你还可以修改 self.test_size 改变测试的尺寸大小
  

  接下来两条是重点：

• 对yolox/data/datasets/voc.py 下的 _do_python_eval 方法进行修改

  annopath = os.path.join(rootpath, "Annotations", "{:s}.xml")
  
  修改为
  
  annopath = os.path.join(rootpath, "Annotations", "{}.xml")
  

• 我的问题主要体现在了exps/example/yolox_voc/yolox_voc_s.py，相信大部分伙伴训练时出现 AP=0 也是因为这里的原因

  修改 self.num_classes = 2
  
  修改 get_data_loder 下的 VOCDetection 下的 image_sets=[('2007', 'trainval'), ('2012', 'trainval')],
  修改为 image_sets=[('2007', 'train')]
  
  修改 get_eval_loader 下的 VOCDetection 下的 image_sets=[('2007', 'test')],
  修改为 image_sets=[('2007', 'val')]
  

  重要的事再重复下

  get_data_loder 下的 VOCDetection 下的

  image_sets=[('2007', 'trainval'), ('2012', 'trainval')],

  修改为 image_sets=[('2007', 'train')]

  ---

  更为重要的是：get_eval_loader 下的 VOCDetection 下的

  image_sets=[('2007', 'test')],

  一定要修改为 image_sets=[('2007', 'val')]，因为我们验证的数据在val.txt，而不是test.txt，这应该也是为什么 AP 一直为0的原因

• 最后修改下tools/train.py中的参数配置

  设置 default="Animals"， 训练后结果就会保存在 tools/YOLOX_outputs/Animals下
  parser.add_argument("-expn", "--experiment-name", type=str, default=None)
  
  设置 model_name，我也不太清楚这是不是必须项 (我觉得不是)
  parser.add_argument("-n", "--name", type=str, default="yolox-s", help="model name")
  
  设置 batch_size
  parser.add_argument("-b", "--batch-size", type=int, default=64, help="batch size")
  
  设置gpu，因为我只有一张卡，所以设 default=0
  parser.add_argument(
      "-d", "--devices", default=0, type=int, help="device for training"
  )
  
  设置你的数据配置的路径，default="../exps/example/yolox_voc/yolox_voc_s.py"
  parser.add_argument(
      "-f",
      "--exp_file",
      default="../exps/example/yolox_voc/yolox_voc_s.py",
      type=str,
      help="plz input your expriment description file",
  )
  
  设置权重路径， default="../weights/yolox_s.pth"
  parser.add_argument("-c", "--ckpt", default="../weights/yolox_s.pth", type=str, help="checkpoint file")
  

  ---

  完成上诉所有配置后即可开始训练

四、训练并测试效果

可以看到，有AP了，说明成功了

最后看一下测试结果

整体效果还是很好的，准确度都在90%以上

测试的时候要注意一点：

• 由于 demo.py 默认调用的是 COCO_CLASSES，所以想要正确显示结果，就要把 yolox/data/datasets/coco_classes.py 下的 COCO_CLASSES 改成你的数据类别

• 或者在 yolox/data/datasets/__init__.py 里将from .voc import VOCDetection 修改为 from .voc import VOCDetection, VOC_CLASSES

• 然后在 tools/demo.py 里将 from yolox.data.datasets import COCO_CLASSES 修改为 from yolox.data.datasets import COCO_CLASSES, VOC_CLASSES，

• 然后将 tools/demo.py 里所有用到 COCO_CLASSES 的地方全部改为 VOC_CLASSES 即可