[人工智能]YOLOX改进之模型轻量化（Lite）

文章内容：给YOLOv5-Lite系列轻量级模型换上YOLOX头部
环境：pytorch1.7+cuda11.0
注意：YOLOv5版本为5.0，可以匹配YOLOX的主干网络与neck部分

一、参考资料

参考资料1：

YOLOv5-Lite：
代码链接：https://github.com/ppogg/YOLOv5-Lite
文章链接：https://blog.csdn.net/weixin_45829462/article/details/119767896?spm=1001.2014.3001.5502

参考资料2：
YOLOv5-YOLOX（yolov5代码风格复现版）：
代码链接：https://gitee.com/SearchSource/yolov5_yolox
文章链接：https://www.yuque.com/yerunyuan/ar9831/tsm0id#Kfi4w

参考资料3：
YOLOX原理解析（大白老师版）：https://zhuanlan.zhihu.com/p/397993315

二、代码修改位置

运行代码：YOLOv5-YOLOX版本（把YOLOv5-Lite改进代码移过来更方便）
YOLOv5-Lite:（先让改进的Lite代码在YOLOv5-YOLOX版本上运行起来）
1、移动YOLOv5-Lite中模型结构改进代码（位于common.py中）
2、修改yolo.py代码，添加新的yaml模型文件读取模块（如：RepVGG等，位于300多行），可以参考YOLOv5代码修改。
YOLOv5-Lite各系列性能：
（图来自https://github.com/ppogg/YOLOv5-Lite）

YOLOX_s-Lite：
（在改进的Lite模型上更换YOLOX-s头部，包括c、e、g、s）
很简单，直接添加和简略修改，仔细观察yolox.yaml文件格式，对应修改，yoloxs的头部通道为128；其次保证yolox.py代码中通道为128（33行左右）。yaml文件修改如下图：

YOLOX_nano-Lite：
（在改进的Lite模型上更换YOLOX-s头部，包括e、s）
修改位置同上，yaml文件的head通道均改成64；以及yolox.py代码（33行左右）head通道修改为64，如下图：

三、运行代码命令

# 命令：
# 一、v5系列改进
# v5Lite-c：（8.66M）
python train.py  --img-size 640  --data PCB.yaml --cfg models/v5Lite-c.yaml --hyp data/hyps/hyp.scratch.yaml --weights v5lite-c.pt --batch-size 8 --epochs 1 --device 0

# v5Lite-e：（1.62M）
python train.py  --img-size 640  --data PCB.yaml --cfg models/v5Lite-e.yaml --hyp data/hyps/hyp.scratch.yaml --weights v5lite-e.pt --batch-size 8 --epochs 1 --device 0

# v5Lite-g：（10.7M）
python train.py  --img-size 640  --data PCB.yaml --cfg models/v5Lite-g.yaml --hyp data/hyps/hyp.scratch.yaml --weights v5lite-g.pt --batch-size 8 --epochs 1 --device 0

# v5Lite-s：（3.25M）
python train.py  --img-size 640  --data PCB.yaml --cfg models/v5Lite-s.yaml --hyp data/hyps/hyp.scratch.yaml --weights v5lite-s.pt --batch-size 8 --epochs 1 --device 0


# 二、yolox及改进系列：

# yoloxs-office(纯silu，数据增强、精度与官网接近)（17.2M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxs_official.yaml --hyp data/hyps/hyp.scratch.yolox.official.yaml --weights yolox-s.pt --batch-size 8 --epochs 1 --device 0

# yoloxs_rslu(激活函数：relu+silu，且数据增强有所更改，权重不变，推理速度加快，由于激活函数改变，精度稍微降低)（17.2M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxs_rslu.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights yolox-s.pt --batch-size 8 --epochs 1 --device 0

# yoloxs(激活函数：纯silu，且数据增强有所更改，权重不变，修改后训练速度加快，精度与官网接近)（17.2M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxs.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights yolox-s_rslu.pt --batch-size 8 --epochs 1 --device 0


# 【改进1】：前面v5的改进换上了yoloxs（头部通道为128）的head，anchor_free锚框机制

# yoloxs_Lite-c：（12.1M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxs_Lite_c.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-c.pt --batch-size 8 --epochs 1 --device 0

# yoloxs_Lite-e：（5.04M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxs_Lite_e.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-e.pt --batch-size 8 --epochs 1 --device 0

# yoloxs_Lite-g：（14.2M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxs_Lite_g.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-g.pt --batch-size 8 --epochs 1 --device 0

# yoloxs_Lite-s：（6.70M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxs_Lite_s.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-s.pt --batch-size 8 --epochs 1 --device 0


# 【改进2】：e和s系列换上了yolox-nano（头部通道为64）的head
# yoloxnano_Lite-e：（2.46M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxnano_Lite_e.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-e.pt --batch-size 8 --epochs 1 --device 0

# yoloxnano_Lite-s：（4.10M）
python train.py --noautoanchor --img-size 640  --data PCB.yaml --cfg models/yoloxnano_Lite_s.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-s.pt --batch-size 8 --epochs 1 --device 0

【注意】：预训练权重不是lite给的，也能进行训练，上面PCB.yaml就是自己的训练数据集内容。数据集制作与训练可以参考：https://blog.csdn.net/weixin_45679938/article/details/118803745
【使用心得】：
1、在我的数据集上，yoloxs-lite-g精度与yolox齐平，高于yolov5有2个点，并且模型大小与yolov5差不多大，模型大小减少了3.2M，其他的没有进行测试，换头后应该都会有提升，毕竟YOLOX相对于v5的改进就在头部；
2、在这个上面添加另外一些trick，如注意力机制、CIOU等，精度有提升（200epoch以上），而相应改进用于官方代码没有提升（原因不明）；
3、这边修改模型结构相比官方代码更为简便。

已修改的代码百度网盘链接：（包含v5-Lite系列权重）
链接：https://pan.baidu.com/s/1UfuJWdpkvSvTtjlsDgzLlA
提取码：b718

写的比较急，不喜勿喷，有错误恳求批评指正！