YOLOX：Anchor-free的YOLO检测器.

作者针对YOLO系列检测器进行经验性改进，构造了YOLOX模型，将YOLO调整为anchor-free的形式并集成了一些检测技巧，取得SOTA的性能：

  1. YOLOX-L和YOLOv4-CSP,YOLOv5-L参数量接近，前者AP准确率比YOLOv5-L高出1.8%，且在单张Tesla V100上能达到68.9FPS。
  2. YOLOX-Tiny和YOLOX-Nano(只有0.91M参数量和1.08G FLOPs)比对应的YOLOv4-Tiny和NanoDet3分别高出10% AP和1.8% AP。
  3. 在Streaming Perception Challenge(Workshop on Autonomous Driving at CVPR 2021)只使用YOLOX-L模型取得第一名。
  4. 源码提供了ONNX, TensorRT, NCNN 和 Openvino版本的推理模型。

作者使用YOLOv3作为baseline(38.5% AP)，采用DarkNet53加空间金字塔池化层SPP作为backbone。

在训练阶段使用指数滑动平均,余弦退火调整学习率,添加IoU-aware分支，在COCO train2017数据集上训练$300$轮(包括$5$轮warm up)，使用SGD算法，在$8$个GPU上设置batch为$128$，学习率设置为$0.01×\frac{\text{batch}}{64}$。

损失函数中类别cls和obj使用BCE loss，位置回归使用IoU loss。

数据增强使用了mosaic,RandomHorizontalFlip(作者发现RandomResizedCrop和mosaic有冲突,所以丢弃了RandomResizedCrop),ColorJitter和多尺度($448$以步长$32$过渡到$832$)。

在baseline的基础上，YOLOX额外使用了一些技巧，下面介绍这些技巧。

○ Decoupled Head

YOLO系列使用耦合(coupled)检测头，即针对COCO 80类的检测任务，每一个anchor会对应产生$H×W×85$维度的预测结果，其中cls(区分前景和背景)占用$1$个通道，reg(检测框坐标)占用$4$个通道，obj(预测是$80$类中的哪一类)占用$80$个通道。

作者通过实验发现耦合检测头可能会损害性能，因为其中的分类任务和回归任务会产生冲突。因此作者将预测分支解耦(decoupled)，极大的改善收敛速度。

YOLOX首先使用$1×1$卷积进行降维，获得$256$通道的特征图，然后使用两个$3×3$卷积的平行分支分别进行分类和回归，同时回归分支还添加了IoU分支。

○ Strong Data Augmentation

作者使用了Mosaic和MixUp数据增强，但在最后15 epochs时关闭，防止数据增强过度。

使用强大的数据增强后，ImageNet预训练模型无益，因此所有后续模型都是随机初始化权重并从头开始训练。

在训练比较小的模型时候，例如YOLOX-S, YOLOX-Tiny,YOLOX-Nano网络，剔除mixup，弱化mosaic效果，会有更好的表现。

○ Anchor-Free

YOLO系列是基于anchor的检测器，anchor机制增加了检测头的复杂度，使得每张图具有较多的预测数量，如COCO数据集中YOLOv3使用尺寸为$416×416$的图像推理， 会产生$3×(13×13+26×26+52×52)×85=5355$个预测结果。

使用anchor时，为了调优模型，通常需要对数据集的目标框进行聚类分析，确定最优的anchor设置，而这一步缺乏泛化性。 使用anchor-free可以减少调整参数的数量，减少引入的特殊技巧。

YOLOX从原有特征图的每一个栅格位置预测$3$组anchor减少为只预测$1$个目标，从而可以直接预测目标框的$4$个值(左上角xy坐标和box高宽)，从而减少了参数量和GFLOPs，使速度更快，且表现更好。

○ 标签分配

特征图的每一个栅格位置预测$1$个目标，即对该位置设置一个预测正样本(positives)。作者在正样本选择时做过以下几个尝试：

  1. 只将物体中心点所在的位置认为是正样本，即一个目标最多只会有一个正样本(42.9% AP)。
  2. Multi positives：将物体中心$3×3$区域认为是正样本，即一个目标具有$9$个正样本(45.0% AP)。
  3. simOTA：对预测正样本进行标签分配，采用OTA(Optimal Transport Assignment)方法。作者改进了简化版的simOTA，能够自动决定每个gt标签对应的正样本位置和数量(47.3% AP)。

simOTA的主要流程如下：

  1. 对每个gt标签确定正样本的候选区域(属于哪个特征图)；
  2. 计算每个anchor与该gt的交并比IoU，并进一步计算cost；
  3. 为该gt取cost排名最小的前dynamic_k个anchor作为正样本，其余为负样本；
  4. 根据正负样本计算损失。

○ 更多实验

除了DarkNet53，作者还选取了其他backbone如CSPNet进行实验(CSPNet是YOLOv5中的版本，包括CSPNet,SiLU激活函数和PAN检测头)，仅需较少的额外推理时间，获得性能的提升：