使用yolox训练coco数据集格式的模型

coco数据集格式

标准格式：
coco
—annotations(存放json文件)
——train2017.json
——val2017.json
—train2017 (存放训练图片)
—val2017 （存放测试图片）

修改合并格式：
coco
—annotations （存放json文件）
——train2017.json
——val2017.json
—JPEGImages （存放数据图片）

数据集准备

按照上述格式准备数据集
放到yolox根目录的datasets/COCO文件夹中 （使用了修改的数据格式）

数据训练

修改yolo_s.py

修改/home/xxxxxxx/YOLOX-main/exps/example/custom/yolox_s.py中

修改yolo_base.py

找到get_eval_loader函数
重新定义name，为存放测试图片的文件夹名称

修改coco.py

/home/xxxxxxx/YOLOX-main/yolox/data/datasets/coco.py
中修改

修改coco_classes.py

/home/xxxxx/YOLOX-main/yolox/data/datasets/coco_classes.py

开始训练

使用yolox_s训练
train_voc:python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 8 --fp16 -o -c weights/yolox_s.pth
train_coco:python tools/train.py -f exps/example/custom/yolox_s.py -d 1 -b 8 --fp16 -o -c weights/yolox_s.pth

#测试
test:
python tools/demo.py image -n yolox-s -c weights/yolox_s.pth --path /home/xxxxxx/YOLOX-main/datasets/VOCdevkit/VOC2007/ --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。