1. 解决了什么问题？

对 YOLOX 做加速，在单张 Tesla V100 上取得了 $$42.8$$mAP，推理速度为 1 毫秒。

2. 提出了什么方法？

2.1 主干网络

YOLOv6 和 PP-YOLOE 都将主干网络从 CSPNet 切换到了 RepVGG。RepVGG 在推理时，会用$$3\times 3$$卷积替换多分支结构，这能节约推理时间、提高检测效果。于是，YOLOX-PAI 也选用 RepVGG 作为主干网络。

2.2 Neck

作者选择了两种方法来优化 YOLOX-PAI 的 neck，一个是 Adaptively Spatial Feature Fusion(ASFF)，及其变体形式（记做 ASFF_Sim），用于特征增强；另一个是轻量级的卷积模块 GSConv，降低计算成本。

ASFF 使用多个卷积模块，统一不同特征图的维度。受到 YOLOv5 中 Focus 层的启发，使用 Slice 操作和均值操作，得到一个统一的特征图（记做 ASFF_Sim）。具体可看下图 ASFF_Sim 的操作，Expand 操作是基于 Focus 层的 Slice 操作。

如下图所示，作者使用了两种基于 GSConv 的 necks 来优化 YOLOX。GSConv 特别针对那些通道数最大、特征图最小的 neck 设计的。

2.3 Head

作者使用了注意力机制来增强 YOLOX-Head，对齐目标检测和分类任务（记做 TOOD-Head）。如下图，首先使用一个 stem 层降低通道数，然后是一组中间卷积层，得到中间特征图。最后，根据不同的任务计算出自适应权重。

2.4 PAI-Blade

PAI-Blade 是用于模型加速的推理优化框架。它使用了许多优化技术，如 Blade Graph Optimizer、TensorRT、PAI-TAO（Tensor accelerator and Optimizer）。PAI-Blade 自动搜索优化的最佳方案。