环境搭建

gpu按自己情况安装
nvidia-smi 查看自己的版本

CUDA和cudnn 按自己的安装，我的驱动551.76，注意不要用最新的，官网只要求驱动是大于等于，可以用低版本的cuda，我安装的是CUDA 11.1

cuda下载后，下载cudnn将解压的cuDNN压缩包内的三个文件夹复制到CUDA安装目录下：
bin lib include

执行nvcc -V验证

C:\Users\Administrator>nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Tue_Sep_15_19:12:04_Pacific_Daylight_Time_2020
Cuda compilation tools, release 11.1, V11.1.74
Build cuda_11.1.relgpu_drvr455TC455_06.29069683_0

安装torch
conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch-lts -c conda-forge

cd到代码目录下，E:\code\YOLOX-0.3.0
执行 pip3 install -v -e . 安装
最后pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
如果有版本问题，卸载重新调整
比如重新安装
pip install protobuf3.20.1
pip install numpy1.19.5
pip install matplotlib3.3.4 scikit-image0.18.3 等

通过Labelimg标注数据

执行voc2txt.py 转换标注的数据为coco

if __name__ == "__main__":

    # 定义类别，要与yolox/data/datasets/coco_classes.py一致
    COCO_CLASSES = (
        "person"
    )

    new_labeled_img_dir = "E:/data/1/table" # 新标注的文件
    train_dir = "E:/code/YOLOX-0.3.0/datasets/coco/train2017"         # 目标文件夹train
    val_dir = "E:/code/YOLOX-0.3.0/datasets/coco/val2017"             # 目标文件夹val
    val_percent = 0.1                                         # train val 比例
    cache_dir = 'E:/data/yolox/cache'                   # 缓存图片的文件路径！！！！！一定要删除，被坑一个星期！！！！！！！！

    # 按比例随机拆分到到目标目录，会同时移动.jpg和.xml文件
    splitLabeled(val_percent, new_labeled_img_dir, train_dir, val_dir)

    #回收旧数据,提高新数据占比，最新100个数据不参与回收
    reduceData(train_dir,val_dir,max_data=500000,val_percent=val_percent,recycle_dir='E:/data/yolox/recycle')

    # 生成json
    # train
    json_file = "E:/code/YOLOX-0.3.0/datasets/coco/annotations/instances_train2017.json"
    image_id = 202200000
    parseXmlFiles(train_dir, json_file, image_id, COCO_CLASSES)

    # eval
    json_file = "E:/code/YOLOX-0.3.0/datasets/coco/annotations/instances_val2017.json"
    image_id = 0
    parseXmlFiles(val_dir, json_file, image_id, COCO_CLASSES)

    # 删除 cache 文件
    delImgCache(cache_dir)

训练

修改train.py ckpt、batchsize
修改YOLOX-0.3.0\exps\example\custom\yolox_s.py的路径和num_classes
修改YOLOX-0.3.0\yolox\data\datasets\coco_classes.py

E:\code\YOLOX-0.3.0\下执行train.py

测试模型

YOLOX-0.3.0\tools\demo.py 用demo.py 测试图片，assets/an.png为测试的图片，last_epoch_ckpt.pth为自己训练的模型

参数
image -f E:/code/YOLOX-0.3.0/exps/example/custom/yolox_s.py -c E:\code\YOLOX-0.3.0\YOLOX_outputs\yolox_s\last_epoch_ckpt.pth --path assets/an.png --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu
测试自己训练的模型

将自己训练的模型导出onnx

参数–output-name yolox_s.onnx -f E:/code/YOLOX-0.3.0/exps/example/custom/yolox_s.py -c E:\code\YOLOX-0.3.0\YOLOX_outputs\yolox_s\last_epoch_ckpt.pth
在YOLOX-0.3.0目录下执行
YOLOX-0.3.0\tools\export_onnx.py

生成yolox_s.onnx