YOLOx 官方数据集训练方法2（COCO）

1.准备工作

下载数据集（这是博主目前找到的最小的数据集文件了，很多数据集都是好几个G，根本没法下载，太大了~）：

https://www.kaggle.com/datasets/sagnik1511/thermal-dog-dataset-instance-segmentation

该下载地址需要登录，但是注册比较麻烦，关于注册的问题，可以参考《YOLOv5 官方数据集训练方法》

数据集下载：

链接：https://pan.baidu.com/s/113kJW9LUUi2C3rL058RByg

提取码：lce8

将数据集解压到“YOLOX-main\datasets”目录下

文件含义说明：

来源：https://www.ai2news.com/blog/2950594/#google_vignette

2.修改文件

1、将"datasets/coco annotations/annotations"文件夹，拷贝到“datasets/train”目录下，不然训练会出错。

2、将“datasets/validation/val2017”文件夹，拷贝到“datasets/train”目录下，不然训练会出错。

就像下面这样：

3、第一个需要修改的文件是“YOLOX-main\YOLOX-main\yolox\data\datasets\coco_classes.py”

打开“instances_train2017.json”文件，可以知道，里面涉及到的种类有两种。我们修改如下：

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# Copyright (c) Megvii, Inc. and its affiliates.

COCO_CLASSES = (
    "Human",
    "Dog"
)

4、第二个修改修改的文件是“YOLOX-main\YOLOX-main\exps\example\custom\yolox_s.py”

该文件记录了训练图片的路径，修改如下：

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# Copyright (c) Megvii, Inc. and its affiliates.
import os

from yolox.exp import Exp as MyExp


class Exp(MyExp):
    def __init__(self):
        super(Exp, self).__init__()
        self.depth = 0.33
        self.width = 0.50
        self.exp_name = os.path.split(os.path.realpath(__file__))[1].split(".")[0]

        # Define yourself dataset path
        self.data_dir = "datasets/train"
        self.train_ann = "instances_train2017.json"
        self.val_ann = "instances_val2017.json"
        # 种类数
        self.num_classes = 2
        # 训练次数
        self.max_epoch = 100
        # 线程数，windows下要设置成0
        self.data_num_workers = 0
        # 每训练10次就进行一次评估
        self.eval_interval = 10

2.官方图库训练流程

注意：训练时如果报下面这个错误，则需要配置环境变量。

 Command '['where', 'cl']' returned non-zero exit status 1.

参考博客：https://blog.csdn.net/SINPER123/article/details/124920875

主要操作也就是添加下面两个环境变量（需要最新的Visual Studio环境）

1、新建环境变量INCLUDE，添加:（Include可能有多个版本，经验是选择新的）

2、新建环境变量LIB, 添加:

说明：如果想使用GPU进行训练，请在train.py文件的前面添加下面代码

import os
os.environ['CUDA_VISIBLE_DEVICES']='0'

然后执行训练命令：

python tools/train.py -f exps/example/custom/yolox_s.py -d 1 -b 8 --fp16 -c yolox_s.pth

编译完了就生成下面这些文件了。

然后使用best_ckpt.pth文件去测试我们的图片，命令如下：

python tools/demo.py image -f exps/example/custom/yolox_s.py -c ./YOLOX_outputs/yolox_s/best_ckpt.pth --path assets/me.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result

识别结果保存在“YOLOX-main\YOLOX_outputs\yolox_s\vis_res\2023_02_09_20_29_18”目录下面：