1、克隆YOLOX源码
可转到gitee仓库再克隆到本地
2、安装requirements依赖文件
注释requirements.txt文件中的torch>=1.7，使用#号注释
然后安装依赖库
根据显卡型号和python版本，选择对应版本的cuda和cudnn
并通过whl文件手动安装GPU或CPU版本的pytorch
3、克隆cocotools仓库(coco数据集评估工具库)
可将cocoapi仓库转到gitee，再运行上述命令
4、安装visual studio 2019
选择c++开发安装即可
5、进入YOLOX目录，安装库文件
6、安装apex(混合精度加速训练库)
7、下载YOLOX权重文件
在YOLOX下创建weights文件夹，并下载权重文件放到YOLOX/weights
（1）yolox_nano下载链接：
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_nano.pth
（2）yolox_tiny下载链接：
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_tiny.pth
（3）yolox_s下载链接：
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth
（4）yolox_m下载链接：
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_m.pth
（5）yolox_l下载链接：
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_l.pth
（6）yolox_x下载链接：
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_x.pth
（7）yolox_darknet53下载链接：
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_darknet.pth
8、演示模型
使用官方coco数据类别测试yolox的默认权重网络
打开yolox/exp/yolox_base.py，确保__init__函数下的self.num_classes=80
打开yolox/data/datasets/init.py，确保from .coco_classes import COCO_CLASSES正常
以YOLOX-Nano模型测试为例，测试结果在YOLOX_outputs/yolox_nano/vis_res文件夹下
【注意】：若出现 No module named ‘yolox’ 错误时，在tools/demo.py文件的from yolox.data.data_augment import ValTransform前加上
其中，r’xxx/YOLOX’为自己YOLOX项目的绝对路径
9、训练yolox
VOC数据集目录如下：
-VOCdevkit
| -VOC2007
| | -Annotation
| | | -xxx.xml
| | | -……
| | -ImageSets
| | | -Main
| | -JPEGImages
| | | -xxx.jpg
| | | -……
若数据集没有xml文件，使用labelimg标注工具箱
在datasets/VOCdevkit/VOC2007/Annotation目录下生成xxx.xml标注文件
运行在datasets/voc_annotation.py，划分数据集比例
在datasets/VOCdevkit/VOC2007/ImageSets/Main目录下生成trainval.txt、train.txt、val.txt、test.txt文件，如下：
运行datasets/voc2yolo.py，将voc格式数据集标签转换为yolo格式标签，
在datasets/VOCdevkit/VOC2007目录下生成labels文件夹
在datasets/VOCdevkit/VOC2007/data目录下生成train.txt、val.txt、test.txt文件，如下：
运行datasets/get_classes.py，统计数据集类别名称，目标数目
在datasets/VOCdevkit/VOC2007/data目录下生成classes.txt文件，如下：
打开yolox/data/datasets，复制voc_classes.py，修改复制后的文件名为my_voc_classes.py
根据datasets/VOCdevkit/VOC2007/data/classes.txt文件
打开yolox/data/datasets/my_voc_classes.py，修改自己数据集类别名称，如：
VOC_CLASSES = (“vehicle”,)
打开yolox/data/datasets，复制coco_classes.py，修改复制后的文件名为my_coco_classes.py
打开yolox/data/datasets/my_coco_classes.py，修改自己数据集类别名称，如：COCO_CLASSES = (“vehicle”,)
打开yolox/data/datasets/init.py，将from .coco_classes import COCO_CLASSES替换为：
from .my_coco_classes import COCO_CLASSES
打开yolox/data/datasets/voc.py，将from .voc_classes import VOC_CLASSES替换为：
from .my_voc_classes import VOC_CLASSES
进入exps/example/yolox_voc目录
复制yolox_voc_s.py，并修改复制后的文件名为yolox_voc_nano.py
打开exps/example/yolox_voc/yolox_voc_nano.py
修改__init__函数下的self.num_classes为自己的类别数量
打开yolox/exp/yolox_base.py
修改__init__函数下的self.num_classes为自己的类别数量
打开exps/example/yolox_voc/yolox_voc_nano.py，修改self.depth，self.width，参考YOLOX/exps/default下的模型文件
打开exps/example/yolox_voc/yolox_voc_nano.py，修改get_data_loader，image_sets=[(‘2007’, ‘train’)]
此处修改存疑，一些教程中修改为trainval，但本文作者认为应该修改为train
打开exps/example/yolox_voc/yolox_voc_nano.py，修改get_eval_loader，image_sets=[(‘2007’, ‘val’)]
此处修改存疑，一些教程中不修改，维持test，但本文作者认为训练时应修改为val，训练结束后测试时修改为test
打开yolox/exp/yolox_base.py，修改__init__函数下的self.data_num_workers为合适的大小
打开yolox/exp/yolox_base.py，修改__init__函数下的self.max_epoch
【注意】若训练出错，Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
在tools/train.py文件前加上下列两条语句
测试map和fps指标（修改exps/example/yolox_voc/yolox_voc_nano.py中的get_eval_loader函数下为image_sets=[(‘2007’, ‘test’)],）
【注意】:重新划分数据集后，务必先删除datasets/VOCdevkit下的annotations_cache、results文件夹后再训练
Original: https://blog.csdn.net/lishan132/article/details/125294380
Author: 乐观的lishan
Title: Windows平台下，YOLOX目标检测环境部署教程
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/681490/
转载文章受原作者版权保护。转载请注明原作者出处！