Anchor free系列检测器之YOLOX源码逐行讲解篇(三)--解耦Head的搭建及分析

已于 2022-04-18 12:49:45 修改
阅读量1.1w 收藏 19
点赞数 11
CC 4.0 BY-SA版权
分类专栏： 视觉检测图像分割干货 文章标签： YOLOX Anchor free Head实现
于 2022-02-13 17:51:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42308217/article/details/122911502
本文深入剖析YOLOX的解耦Head结构，通过逐行解析源码，阐述其设计理念与实现细节。解耦Head将分类和检测任务分开，提升了检测精度。内容涵盖Head的初始化、数据前传过程，以及不同尺度特征图的输出维度。对于理解YOLOX网络结构和优化具有指导意义。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

整个YOLOX源码的学习一定要按照以下顺序才能整体串起来：Backbone->FPN->Head->->数据读入源码->数据增强源码->loss计算源码->simOTA源码->demo.py脚本->train.py脚本。而该系列博文也遵循该顺序来逐行分析代码。注意是逐行，包括python语法，tensor维度和逐行代码的作用及应用。其实网络结构本没有任何神秘的地方，都是一些模块堆叠起来的，你完全可以没有任何理由的修改任何一个模块。看完这个系列后自己完全可以随便的去对任何网络结构做手脚，而不仅仅局限于一个调参者。

本篇讲的是YOLOX中解耦Head的搭建，在这之前一定先要看前面几篇博文，否则本篇会有很多内容看不明白。

上图是YOLOX整个解耦头的网络结构图。黄色字体为代码中的中间变量，方便理解。维度则是当采用yolox_s网络时整个网络的输出特征维度，并默认检测类别有8个。首先要明白什么是解耦头：解耦头

了解本专栏 订阅专栏 解锁全文
YOLOv5改进系列(十五) 更换YOLOX解耦头
专注于人工智能学习，总结
12-15 1677
但是，由于YOLO系列的主干和特征金字塔(如FPN， PAN)不断演化，它们的检测头仍然是耦合的，如图2所示。对于FPN的每一层特征，我们首先采用1×1的conv层将特征通道减少到256，然后添加两个并行分支，每个分支有2个3 × 3conv层，分别用于分类和回归任务。而言，红色是fc-head，蓝色是conv-head，可以看到，在分类的分数上，fc-head显然更具优势，特别对于small objects；因此如果采取用同一个特征图进行分类和定位，效果会不好，即所谓的misalignment的问题。
YOLOX 的动态标签分类（如 SimOTA）与 Anchor-free 机制解析2025.5.29
sinat_34897952的博客
05-29 1021
摘要： YOLOX通过Anchor-free机制和**动态标签分类（SimOTA）**实现目标检测优化。Anchor-free摒弃预定义锚框，直接回归边界框，降低计算冗余；SimOTA则动态分配最优正样本，提升训练效率与精度。两者协同作用：Anchor-free简化结构，SimOTA优化样本分配，使YOLOX在COCO数据集上AP提升至47.3%，兼顾速度与性能。核心差异在于，Anchor-free改进框生成方式，而SimOTA优化训练策略，共同推动模型达到SOTA水平。
YOLOX的解耦头结构思考
热门推荐
Michael的博客
10-09 1万+
问题 YOLOX提出了一个Decoupled Head结构以代替YOLO Head，进而在YOLOv3 baseline的基础上提升了1.1个百分点的mAP，那为什么解耦头结构就能够提升检测效果呢？ 调研 我主要在YOLOX原论文讲述Decoupled Head这一部分，找到了引用的两篇文献，并加以解读。 第一篇文献是Song等人在CVPR2020发表的“Revisiting the Sibling Head in Object Detector”。 文中提出了，在目标检测的定位和分类任务中，存在spa
YOLOX: 无锚点机制 + 解耦头部设计 + 动态标签分配策略的高性能目标检测器 + Apache-2.0 开源可商用
Debroon
06-14 2832
当将DarkNet53的深度特征提取能力与CSPNet的高效计算方式结合时，CSPDarkNet53能够在确保深度和复杂特征提取的同时，保持网络的运行效率。这种先进的策略通过确保使用最相关的预测进行训练，优化了地面真实和预测对象之间的匹配，提高了精度。这种结构优化的目标是在不牺牲性能的情况下提供更高的速度和效率，使得CSPDarkNet53成为计算资源受限环境中的理想选择。这种设计的变化主要是为了改善模型的性能，通过分离任务以减少不同任务间的干扰，提高模型在分类和定位准确性上的效率。
YOLOv5+DecoupleHead解耦头(YOLOx)
qq_41920323的博客
07-08 1011
本文介绍了如何在YOLOv5中引入YOLOX的解耦头操作。
基于YOLOv7的头部解耦改进 | 利用YOLOX解耦头优化YOLOv7 | 提高计算机视觉识别率
带你成为别人眼中的大佬！
05-30 1378
然而，这些任务间并不是完全独立的，因此，我们需要将它们解耦，以提高算法的准确度。为了解决这个问题，我们采用 YOLOX 中的头部解耦方法，将头部分成两个独立的分支，一个用于分类任务，一个用于目标检测任务。通过头部解耦方法，我们可以从 YOLOv7 中分离出分类和目标检测的任务，将它们分别交给不同的头部进行处理，最终提高算法的准确度。这个新的头部由两个分支构成，一个负责目标检测和回归，另一个负责分类。方法中，我们将输入图像数据传入主干模型中，然后将特征图分别传递到目标检测头和分类头中。
【目标检测-YOLO】YOLOX（第一篇）
博观约取，厚积薄发
04-08 3677
文章链接：https://arxiv.org/pdf/2107.08430.pdf YOLOX是2021年8月 旷视发布的一篇论文，它是继YOLOv1后第一篇Anchor-free 的YOLO目标检测框架。本文对论文进行学习。 YOLOX: Exceeding YOLO Series in 2021 摘要 YOLOX：anchor-free；decoupled head；label assignment strategy：SimOTA YOLONano：0.91M parameters；1.0
【表面缺陷检测】基于YOLOX的PCB表面缺陷检测（全网最详细的YOLOX保姆级教程，附代码和数据集）
学无止境、积少成多、厚积薄发
02-10 2134
手把手系列教程：基于YOLOX的PCB表面缺陷检测（全网最详细的YOLOX保姆级教程）
目标检测论文综述（四）Anchor-Free
管住嘴也能迈开腿的Miracle_tb_cool
01-25 3284
所有论文综述均保持如下格式： 1、一页PPT内容总结一篇论文 2、标题格式一致：出处 年份 《标题》 3、内容格式一致：针对XX问题；提出了XX方法；本文证明了XXX 4、把握核心创新点，言简意赅 5、官方源码链接 目标检测综述，资源列表(论文、官方/非官方代码)——GitHub链接 ——CNN based Anchor-Free Detectors 一、CVPR 2015《DenseBox:Un...
autoware.universe源码略读(3.1)--perception：yolo初识
weixin_45432823的博客
06-24 1416
YOLOv1-v5，YOLOx学习记录
文末含资料链接和视频讲解！释放YOLOv8的终极潜力：整合RT-DETR解码器实现下一代目标检测的深度指南
最新发布
FJN110的博客
06-27 25
摘要：融合Transformer与CNN的实时目标检测新范式 本文提出了一种创新的目标检测架构改造方案，将基于Transformer的RT-DETR解码器（RTDETRDecoder）集成到CNN架构的YOLOv8模型中。YOLOv8凭借其高效的CSPDarknet骨干和多尺度特征融合网络，在实时检测领域表现优异；而RT-DETR的解码器通过目标查询和注意力机制，实现了端到端的集合预测。两者的结合旨在优势互补：保留YOLOv8快速特征提取能力的同时，利用Transformer的全局建模优势提升复杂场景（如密
【读点论文】YOLOX: Exceeding YOLO Series in 2021，无锚框单阶段目标检测方案，解耦检测头的分类和回归分支，优化标签分配策略
白水空空
04-16 2417
然而，我们发现，合适的增强策略因不同尺寸的模型而异。无锚机制显著减少了需要启发式调整的设计参数的数量和所涉及的许多技巧（例如，锚聚类，网格敏感），以获得良好的性能，使检测器，特别是其训练和解码阶段，变得相当简单。每个gt 的大小、尺度和遮挡条件不同，所以其提供的positive label数量也应该是不同的，如何确定每个gt的正样本数 k 值呢，论文提供了一个简单的方案，该方法称之为：Dynamic k Estimation，具体做法如下：从前面的pair_wise_ious中，给每个目标框，挑选。
【深度学习实战（32）】模型结构之解耦头（de-coupled head）与耦合头（coupled head）
m0_51579041的博客
05-04 2246
【深度学习实战（32）】模型结构之解耦头（de-coupled head）与耦合头（coupled head）
【YOLO改进】Efficient Decoupled Head解耦合头的添加
qq_36070656的博客
10-27 4606
添加解耦合头
YOLOv5改进系列(十五) 本文(6000字) | 头部解耦 |更换YOLOX解耦头 |
专注于人工智能学习，总结
12-30 1426
人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程理论论文地址：https://arxiv.org/abs/2107.08430YOLOX提出了一个Decoupled Head结构以代替YOLO Head，进而在YOLOv3 baseline的基础上提升了1.1个百分点的mAP，那？
Spring实现解耦的代码解析
qq_38050259的博客
01-30 1574
目的：对比传统方式和 Spring注入方式创建对象以达到解耦的目的，以Service层调用 Dao层为例 方式一：传统方式 1.Service层 /** * @author ：Prannt * @description ：Service层 * @program : Test * @date ：2021/1/30 9:16 */ public class UserService { public void add(){ System.out.println("service
YOLOv5(v7.0)网络修改实践二：把单分支head改为YOLOX的双分支解耦合head（DecoupleHead）
qq_44442727的博客
07-24 1840
其实做完这些工作回过头来，发现事情其实很简单，我们如果自己想要弄一个双分支的head结构，直接自己写一个，或者在原来的基础直接改就可以了，把一些数据维度上，让网络正常跑起来就行。这样做的话主要是一个学习理解的过程。训练结果还是有一定优势的，双分支比单分支效果更好一些，有高几个点。后续我打算把双分支、anchor-free也实现一下。
Decoupled Head解耦头
weixin_46211609的博客
03-17 745
Decoupled Head 是一种在目标检测任务中用于提高模型性能的设计，它通常出现在一些先进的目标检测模型中，尤其是在 YOLO（You Only Look Once）等模型的改进版本中。
Decoupled head（解耦合头）和Coupled head（耦合头）
weixin_44902604的博客
03-13 1万+
简单来说，解耦合头突出在一个解字，就是把特征图用不同的分支分开处理，而耦合头不分开 一起处理了。常见的解耦合头设计包括Faster R-CNN中的RPN（Region Proposal Network）和 Fast R-CNN中的。
GitHub上的Cangaroo-master: 开源的CAN总线查看器源码
根据提供的文件信息，我们将详细介绍与CAN总线、QT、源码及Cangaroo-master相关的内容。 ### CAN总线简介 CAN（Controller Area Network）总线是一种为实现汽车内部各个控制器之间的数据通信而设计的协议。它最初...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

刚哥吧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值